ภาพรวม
Stable Diffusion คือโมเดลการแปลงข้อความเป็นรูปภาพแบบโอเพ่นซอร์ส ซึ่งเปิดตัวโดย Stability AI ในปี 2022 ที่สร้างภาพโดยค่อยๆ ขจัดสัญญาณรบกวนออกจากจุดเริ่มต้นแบบสุ่ม เนื่องจากเปิดกว้างและใช้งานได้บน GPU สำหรับผู้บริโภค จึงจุดประกายชุมชนขนาดใหญ่ที่มีเครื่องมือ การปรับแต่ง และแอปต่างๆ
Stable Diffusion เป็นของเวิร์กโฟลว์คอมพิวเตอร์วิทัศน์ที่ตีความหรือสร้างสื่อภาพเพื่อการวิเคราะห์ การดำเนินงาน และความคิดสร้างสรรค์
เจาะลึก
โมเดลการแพร่กระจายเรียนรู้ที่จะย้อนกลับกระบวนการรบกวน ในระหว่างการฝึก รูปภาพจริงจะมีสัญญาณรบกวนแบบสุ่มเพิ่มทีละขั้นตอนจนกระทั่งกลายเป็นภาพนิ่ง แบบจำลองเรียนรู้ที่จะทำนายและลบสัญญาณรบกวนนั้น ในการสร้างมันเริ่มต้นจากสัญญาณรบกวนบริสุทธิ์และ denoise ซ้ำๆ จนกระทั่งภาพที่สอดคล้องกันปรากฏขึ้น ตามคำแนะนำของข้อความของคุณ เคล็ดลับประสิทธิภาพที่สำคัญของ Stable Diffusion คือส่วนที่ 'แฝง': แทนที่จะทำงานกับพิกเซลเต็มความละเอียด มันจะบีบอัดรูปภาพลงในพื้นที่แฝงที่เล็กลงโดยใช้ตัวเข้ารหัสอัตโนมัติแบบแปรผัน รันการลดสัญญาณรบกวนแบบช้าๆ จากนั้นถอดรหัสกลับเป็นพิกเซล นี่คือเหตุผลว่าทำไมจึงสามารถทำงานบน GPU สำหรับเล่นเกมทั่วไป แทนที่จะเป็นศูนย์ข้อมูล ตัวเข้ารหัสข้อความ (CLIP ในเวอร์ชันแรกๆ) จะแปลงข้อความแจ้งของคุณเป็นคำแนะนำ และ U-Net จะทำหน้าที่ลดสัญญาณรบกวน น้ำหนักแบบเปิดทำให้มี ControlNet, การปรับแต่ง LoRA และเครื่องมือสร้างสรรค์จำนวนนับไม่ถ้วน
ข้อมูลเชิงลึกทางเทคนิค
การแพร่กระจายที่เสถียรคือแบบจำลองการแพร่กระจายแฝง โปรแกรมเข้ารหัสอัตโนมัติจะย่อขนาดรูปภาพขนาด 512x512 ลงในตารางแฝงที่มีขนาดกะทัดรัด ช่วยลดการประมวลผลลงอย่างมาก U-Net ได้รับการฝึกอบรมให้คาดการณ์สัญญาณรบกวนที่เพิ่มขึ้นในแต่ละช่วงเวลา โดยมีเงื่อนไขกับข้อความที่ฝังผ่านความสนใจแบบข้าม คำแนะนำแบบไม่มีตัวแยกประเภทช่วยให้คุณกำหนดได้ว่ารูปภาพเป็นไปตามข้อความแจ้งมากน้อยเพียงใด โดยการผสมผสานการคาดเดาแบบมีเงื่อนไขและไม่มีเงื่อนไข ในการอนุมาน ตัวเก็บตัวอย่าง (เช่น DDIM หรือออยเลอร์) จะดำเนินการตามจำนวนขั้นตอนการลดสัญญาณรบกวนที่เลือก โดยทั่วไปขั้นตอนที่มากขึ้นหมายถึงผลลัพธ์ที่สะอาดขึ้นโดยแลกกับความเร็ว
การเรียนรู้การแพร่กระจายที่เสถียร
Stable Diffusion คือโมเดลการแปลงข้อความเป็นรูปภาพแบบโอเพ่นซอร์ส ซึ่งเปิดตัวโดย Stability AI ในปี 2022 ที่สร้างภาพโดยค่อยๆ ขจัดสัญญาณรบกวนออกจากจุดเริ่มต้นแบบสุ่ม เนื่องจากเปิดกว้างและใช้งานได้บน GPU สำหรับผู้บริโภค จึงจุดประกายชุมชนขนาดใหญ่ที่มีเครื่องมือ การปรับแต่ง และแอปต่างๆ Stable Diffusion เป็นของเวิร์กโฟลว์คอมพิวเตอร์วิทัศน์ที่ตีความหรือสร้างสื่อภาพเพื่อการวิเคราะห์ การดำเนินงาน และความคิดสร้างสรรค์ เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Stable Diffusion เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งใช้ Stable Diffusion สร้างความสมดุลระหว่างความแม่นยำกับความเป็นจริงในการปฏิบัติงาน เช่น คุณภาพของข้อมูล ความแปรปรวนของแสง และความสม่ำเสมอของการติดฉลาก โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ ในขณะเดียวกัน สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก
การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
ศิลปินและมือสมัครเล่นสร้างคอนเซ็ปต์อาร์ตและภาพประกอบในเครื่องด้วย GPU ของตนเองพร้อมการปรับแต่ง LoRA แบบกำหนดเอง
การใช้ ControlNet เพื่อจำกัดการสร้างด้วยโครงกระดูกท่าทาง แผนที่ความลึก หรือภาพร่างขอบเพื่อการจัดองค์ประกอบที่แม่นยำ
การลงสีและการลงสีภายนอกเพื่อแก้ไขรูปภาพ ลบวัตถุ หรือขยายฉากให้เกินขอบเขตดั้งเดิม
สตูดิโอเกมอินดี้และนักออกแบบที่ผลิตพื้นผิว มูดบอร์ด และรูปแบบเนื้อหาต่างๆ อย่างรวดเร็วและราคาถูก
รูปแบบการดำเนินงาน
การแพร่กระจายที่เสถียรในทางปฏิบัติ
ศิลปินและมือสมัครเล่นสร้างคอนเซ็ปต์อาร์ตและภาพประกอบในเครื่องด้วย GPU ของตนเองพร้อมการปรับแต่ง LoRA แบบกำหนดเอง
ศิลปินและมือสมัครเล่นที่สร้างแนวคิดศิลปะและภาพประกอบในเครื่องด้วย GPU ของตนเองด้วยการปรับแต่ง LoRA แบบกำหนดเอง ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การแพร่กระจายที่เสถียรในทางปฏิบัติ
การใช้ ControlNet เพื่อจำกัดการสร้างด้วยโครงกระดูกท่าทาง แผนที่ความลึก หรือภาพร่างขอบเพื่อการจัดองค์ประกอบที่แม่นยำ
การใช้ ControlNet เพื่อจำกัดการสร้างด้วยโครงร่างท่าทาง แผนที่ความลึก หรือการร่างขอบเพื่อการจัดองค์ประกอบที่แม่นยำ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การแพร่กระจายที่เสถียรในทางปฏิบัติ
การลงสีและการลงสีภายนอกเพื่อแก้ไขรูปภาพ ลบวัตถุ หรือขยายฉากให้เกินขอบเขตดั้งเดิม
การลงสีและการลงสีภายนอกเพื่อแก้ไขรูปภาพ ลบวัตถุ หรือขยายฉากให้เกินขอบเขตเดิม ทีมมักจะได้ผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับ Edge Case และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การแพร่กระจายที่เสถียรในทางปฏิบัติ
สตูดิโอเกมอินดี้และนักออกแบบที่ผลิตพื้นผิว มูดบอร์ด และรูปแบบเนื้อหาต่างๆ อย่างรวดเร็วและราคาถูก
สตูดิโอเกมอินดี้และนักออกแบบที่สร้างพื้นผิว มูดบอร์ด และรูปแบบต่างๆ ของสินทรัพย์อย่างรวดเร็วและราคาถูก ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น
แผนงานการดำเนินงาน
กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล
ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น