Tổng quan
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.
VQ-VAE và Discrete Latents thuộc quy trình công việc thị giác máy tính diễn giải hoặc tạo ra phương tiện trực quan để phân tích, vận hành và sáng tạo.
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.
Làm chủ 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. 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. VQ-VAE và Discrete Latents thuộc quy trình công việc thị giác máy tính diễn giải hoặc tạo ra phương tiện trực quan để phân tích, vận hành và sáng tạo. Để xây dựng sự hiểu biết sâu sắc, hãy coi VQ-VAE và Tiềm ẩn rời rạc như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng VQ-VAE và Độ tiềm ẩn rời rạc sẽ cân bằng độ chính xác với thực tế vận hành như chất lượng dữ liệu, phương sai ánh sáng và tính nhất quán của nhãn. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn. Đồng thời, quyền về hình ảnh và sự đồng ý có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
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.
Các mẫu triển khai
VQ-VAE và tiềm ẩn rời rạc trong thực tế
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.
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 chỉ mục sổ mã. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
VQ-VAE và tiềm ẩn rời rạc trong thực tế
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.
VQGAN đã kết hợp VQ-VAE với các tổn thất về cảm nhận và đối nghịch để tạo ra mã thông báo hình ảnh sắc nét, độ phân giải cao cho thế hệ nghệ thuật. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, theo dõi lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
VQ-VAE và tiềm ẩn rời rạc trong thực tế
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.
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. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
VQ-VAE và tiềm ẩn rời rạc trong thực tế
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.
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. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp phức tạp và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
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.
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.