Mô hình khuếch tán tiềm ẩn
Các mô hình khuếch tán tiềm ẩn tạo ra hình ảnh bằng cách chạy quy trình khuếch tán trong không gian tiềm ẩn được nén thay vì pixel thô, giúp giảm chi phí tính toán.
Tổng quan
Chúng là động cơ đứng sau Stable Diffusion và hầu hết các trình tạo hình ảnh mã nguồn mở hiện đại.
Lặn sâu
Một mô hình khuếch tán tiêu chuẩn học cách đảo ngược quá trình nhiễu: nó bắt đầu từ nhiễu thuần túy và dần dần khử nhiễu thành hình ảnh. Thực hiện việc này trực tiếp trên pixel rất tốn kém vì hình ảnh 512x512 có hàng trăm nghìn giá trị. Khuếch tán tiềm ẩn, được Rombach và các đồng nghiệp giới thiệu vào năm 2022, lần đầu tiên sử dụng bộ mã hóa biến thiên được huấn luyện trước (VAE) để nén hình ảnh vào một lưới tiềm ẩn nhỏ (thường là 64x64x4, nhỏ hơn khoảng 48 lần). Sau đó, U-Net khuếch tán sẽ học cách khử nhiễu bên trong không gian tiềm ẩn nhỏ gọn đó, được hướng dẫn bởi văn bản thông qua sự chú ý chéo. Cuối cùng bộ giải mã VAE tái tạo lại các pixel có độ phân giải đầy đủ. Khả năng nén cảm quan này giữ lại thông tin có ý nghĩa về mặt ngữ nghĩa trong khi loại bỏ các chi tiết không thể nhận thấy, giúp việc tạo chất lượng cao trở nên khả thi trên GPU dành cho người tiêu dùng.
Hiểu biết kỹ thuật
Bí quyết chính là tách việc nén nhận thức khỏi mô hình tổng quát. VAE xử lý chi tiết pixel tần số cao một lần và U-Net chỉ lập mô hình phân phối tiềm ẩn chiều thấp hơn. Điều hòa văn bản được đưa vào thông qua các lớp chú ý chéo, trong đó các tính năng không gian của U-Net tham gia vào việc nhúng mã thông báo từ bộ mã hóa văn bản như CLIP. Vì các vùng tiềm ẩn nhỏ hơn khoảng 48 lần so với pixel nên mỗi bước khử nhiễu sẽ rẻ hơn đáng kể ở cả bộ nhớ và FLOP.
Tác động chiến lược
Tốc độ và tỷ lệ
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
Xây dựng lựa chọn
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
Nhóm và quy trình làm việc
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
Tương lai của các mô hình khuếch tán tiềm ẩn
Khuếch tán tiềm ẩn đang mở rộng ra ngoài hình ảnh thành video (Khuếch tán video ổn định), nội dung 3D và biểu đồ phổ âm thanh, tất cả đều sử dụng cùng một công thức nén-sau đó khử nhiễu. Nghiên cứu đang hướng tới việc thực hiện ít bước lấy mẫu hơn thông qua các mô hình chưng cất và nhất quán, VAE tốt hơn giúp bảo toàn văn bản và bề mặt đẹp cũng như các công thức dòng chỉnh lưu giống như công thức trong Khuếch tán ổn định 3 giúp điều chỉnh quỹ đạo tạo để có kết quả nhanh hơn, sắc nét hơn.
Triển khai trong thế giới thực
Khuếch tán ổn định tạo ra tác phẩm nghệ thuật và thiết kế ý tưởng từ lời nhắc văn bản trên một GPU tiêu dùng
Adobe và Canva hỗ trợ các tính năng chuyển văn bản thành hình ảnh và điền tổng quát được xây dựng trên nền tảng khuếch tán tiềm ẩn
Các studio trò chơi sản xuất bản đồ kết cấu, họa tiết và nghệ thuật khái niệm môi trường để đẩy nhanh quá trình tiền sản xuất
Đội ngũ tiếp thị và hình ảnh chứng khoán tạo ra mô hình sản phẩm và hình ảnh quảng cáo cho thương hiệu mà không cần chụp ảnh
Rủi ro & lan can
Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.
Lộ trình thực hiện
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Tiếp tục khám phá
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Latent Diffusion Models quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Hướng dẫn tiếp theo
Mô hình khuếch tán video
Câu hỏi thường gặp
Mô hình khuếch tán tiềm ẩn là gì?
Các mô hình khuếch tán tiềm ẩn tạo ra hình ảnh bằng cách chạy quy trình khuếch tán trong không gian tiềm ẩn được nén thay vì pixel thô, giúp giảm chi phí điện toán. Chúng là công cụ đằng sau Khuếch tán ổn định và hầu hết các trình tạo hình ảnh nguồn mở hiện đại.
Sự đổi mới chính của các mô hình khuếch tán tiềm ẩn so với khuếch tán không gian pixel là gì?
Khuếch tán tiềm ẩn nén hình ảnh vào một không gian tiềm ẩn nhỏ hơn bằng cách sử dụng VAE, do đó việc khử nhiễu tốn kém xảy ra ở các giá trị ít hơn nhiều so với các pixel đầy đủ.
Thành phần nào nén hình ảnh vào không gian tiềm ẩn và sau đó tái tạo lại nó?
VAE được huấn luyện trước sẽ mã hóa hình ảnh thành một lưới tiềm ẩn nhỏ gọn và bộ giải mã của nó sẽ tái tạo lại các pixel có độ phân giải đầy đủ ở cuối.
Văn bản thường được đưa vào U-Net khử nhiễu như thế nào trong quá trình khuếch tán tiềm ẩn?
Việc nhúng mã thông báo từ bộ mã hóa văn bản được đưa vào các lớp chú ý chéo, cho phép các tính năng không gian tham gia vào lời nhắc.
Tại sao hoạt động trong không gian tiềm ẩn lại giảm chi phí tính toán?
Đợi đã - lý do chính xác là lưới tiềm ẩn nhỏ hơn nhiều (thường là ~ 48 lần) so với hình ảnh pixel, vì vậy mỗi bước khử nhiễu cần ít FLOP và bộ nhớ hơn nhiều.
Mô hình nguồn mở nào được sử dụng rộng rãi phổ biến sự phổ biến tiềm ẩn?
Stable Diffusion, được phát hành vào năm 2022, đã mang lại sự phổ biến tiềm ẩn cho phần cứng của người tiêu dùng và được áp dụng rộng rãi.