VQ-VAE và tiềm ẩn rời rạc
VQ-VAE nén hình ảnh, âm thanh hoặc video vào một lưới nhỏ gồm các mã rời rạc được rút ra từ sách mã đã học, thay vì các số liên tục.
Tổng quan
Nút thắt cổ chai riêng biệt này cho phép các mô hình trình tự mạnh mẽ như Transformers coi phương tiện truyền thông là 'mã thông báo', giống như các từ.
Lặn sâu
VQ-VAE (Bộ mã hóa tự động biến đổi lượng tử hóa vectơ), được van den Oord và các đồng nghiệp tại DeepMind giới thiệu vào năm 2017, là một bộ mã hóa tự động có không gian tiềm ẩn rời rạc. Bộ mã hóa biến hình ảnh thành một mạng lưới các vectơ liên tục; Sau đó, mỗi vectơ được gắn vào mục nhập gần nhất của nó trong sách mã đã học về các phần nhúng (lượng tử hóa vectơ). Bộ giải mã sẽ tái tạo lại hình ảnh từ các mã lượng tử hóa đó. Bởi vì các dữ liệu tiềm ẩn hiện là từ vựng hữu hạn của các chỉ mục nên một mô hình riêng biệt có thể tìm hiểu sự phân bố của chúng và tạo ra nội dung mới. Công thức hai giai đoạn này hỗ trợ DALL-E 1, Jukebox cho âm nhạc và VQGAN, bổ sung thêm sự mất mát về mặt nhận thức và đối nghịch để tái tạo sắc nét hơn. VQ-VAE-2 xếp chồng nhiều độ phân giải để tạo ra hình ảnh có độ trung thực cao.
Hiểu biết kỹ thuật
Bước lượng tử hóa (tra cứu lân cận gần nhất của argmin) là không thể phân biệt được, do đó VQ-VAE sử dụng công cụ ước tính xuyên suốt: độ dốc được sao chép trực tiếp từ đầu vào bộ giải mã trở lại đầu ra bộ mã hóa như thể lượng tử hóa là danh tính. Quá trình đào tạo kết hợp mất mát tái thiết, mất sổ mã kéo các phần nhúng vào đầu ra của bộ mã hóa và mất cam kết khiến bộ mã hóa luôn cam kết với các mã đã chọn. Một lỗi phổ biến là sổ mã bị sập, chỉ có một số mã được sử dụng.
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 VQ-VAE và tiềm ẩn rời rạc
Các tiềm ẩn riêng biệt là trọng tâm của việc thúc đẩy các mô hình đa phương thức thống nhất nhằm mã hóa hình ảnh, âm thanh và video thành cùng một từ vựng như văn bản. Những cải tiến như lượng tử hóa vô hướng dư và hữu hạn, sổ mã lớn hơn và cân bằng sử dụng tốt hơn đang làm giảm sự sụp đổ và tăng cường độ trung thực. Vì các mô hình nhằm mục đích vừa hiểu vừa tạo ra các phương thức, các mã thông báo mạnh mẽ được xây dựng trên ý tưởng VQ-VAE sẽ vẫn là thành phần nền tảng, ngày càng cạnh tranh và kết hợp với các phương pháp tiếp cận phổ biến tiềm ẩn liên tục.
Triển khai trong thế giới thực
DALL-E 1 đã sử dụng bộ mã thông báo VQ-VAE riêng biệt để Transformer có thể tạo ra hình ảnh dưới dạng chuỗi các chỉ mục sổ mã.
VQGAN đã kết hợp VQ-VAE với những tổn thất về mặt cảm nhận và đối nghịch để tạo ra các mã thông báo hình ảnh có độ phân giải cao, sắc nét cho thế hệ nghệ thuật.
Jukebox của OpenAI đã áp dụng VQ-VAE cho âm thanh thô, nén nhạc thành các mã riêng biệt để tạo mô hình tổng quát.
VQ-VAE-2 xếp chồng các tiềm ẩn riêng biệt có thứ bậc để tổng hợp các hình ảnh đa dạng, có độ trung thực cao cạnh tranh với các GAN cùng thời.
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 VQ-VAE and Discrete Latents 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
Trộn tiềm ẩn và nội suy hình ảnh
Câu hỏi thường gặp
VQ-VAE và tiềm ẩn rời rạc là gì?
VQ-VAE nén hình ảnh, âm thanh hoặc video vào một lưới nhỏ gồm các mã rời rạc được rút ra từ sách mã đã học, thay vì các số liên tục. Nút thắt cổ chai riêng biệt này cho phép các mô hình trình tự mạnh mẽ như Transformers coi phương tiện truyền thông là 'mã thông báo', giống như các từ.
Điều gì làm cho không gian tiềm ẩn của VQ-VAE khác với VAE tiêu chuẩn?
VQ-VAE thay thế các giá trị tiềm ẩn liên tục bằng các mã rời rạc được rút ra từ sách mã đã học thông qua lượng tử hóa vectơ.
Làm thế nào để VQ-VAE chuyển gradient qua bước lượng tử hóa không phân biệt?
Công cụ ước tính xuyên suốt sao chép trực tiếp gradient đầu vào của bộ giải mã sang đầu ra của bộ mã hóa, coi lượng tử hóa là nhận dạng cho quá trình truyền ngược.
'Sụp đổ sổ mã' là gì?
Sự sụp đổ của sổ mã xảy ra khi mô hình chỉ dựa vào một vài mã, lãng phí phần lớn sổ mã và làm ảnh hưởng đến tính đa dạng.
Tại sao các giá trị tiềm ẩn rời rạc lại hữu ích cho việc tạo mô hình tổng quát với Transformers?
Các chỉ số rời rạc tạo thành một vốn từ vựng hữu hạn, do đó các mô hình trình tự như Transformers có thể học và lấy mẫu phân phối của chúng giống như các từ.
VQGAN đã thêm gì vào công thức VQ-VAE cơ bản?
VQGAN tăng cường VQ-VAE bằng tính năng phân biệt đối xử và giảm nhận thức, mang lại mã thông báo được tái tạo sắc nét hơn, chi tiết hơn.