گلیگن گراؤنڈ جنریشن

It turns vague text-to-image into precise, layout-controllable synthesis.

معیاری متن سے تصویری ماڈلز مقامی کنٹرول کے ساتھ جدوجہد کرتے ہیں: 'کتے کے بائیں طرف بلی' طلب کریں اور آپ اکثر جگہ کا تعین غلط کرتے ہیں۔ GLIGEN، جو 2023 میں متعارف کرایا گیا تھا، اس کو متن یا تصویری اداروں، کلیدی نکات، یا حوالہ جاتی امیجز کے ساتھ جوڑا بنائے جانے والے باؤنڈنگ بکس جیسے گراؤنڈنگ ان پٹس کو شامل کرکے حل کرتا ہے۔ اہم بات یہ ہے کہ یہ اصل پہلے سے تربیت یافتہ ڈفیوژن ماڈل کے وزن کو منجمد کر دیتا ہے اور نئی تربیت کے قابل گیٹڈ خود دھیان دینے والی تہوں کو انجیکشن کرتا ہے جو گراؤنڈنگ ٹوکنز کو جذب کر لیتی ہیں۔ اس کا مطلب یہ ہے کہ یہ اپنے سیکھے ہوئے علم کو تباہ کیے بغیر اسٹیبل ڈفیوژن جیسے ماڈل پر بناتا ہے، اور گیٹنگ صفر کے قریب شروع ہوتی ہے اس لیے بنیادی ماڈل کا طرز عمل تربیت کے شروع میں محفوظ رہتا ہے۔ نتیجہ اوپن ورلڈ گراؤنڈ جنریشن ہے: آپ صوابدیدی بیان کردہ اشیاء کو مخصوص جگہوں پر رکھ سکتے ہیں، اور یہ ان تصورات اور ترتیب کو عام کرتا ہے جو گراؤنڈنگ ٹریننگ کے دوران نہیں دیکھے جاتے ہیں۔