Autoregressive Image generation
Iran aworan ti ara ẹni ṣe agbero awọn aworan ni ẹyọkan ni akoko kan, asọtẹlẹ ami-ami kọọkan lati ohun gbogbo ti ipilẹṣẹ ṣaaju rẹ.
Akopọ
It matters because the same next-token machinery powering language models can produce coherent, controllable images.
Jin Dive
Autoregressive image iran awọn itọju a aworan bi a ọkọọkan ati ki o asọtẹlẹ o ano nipa ano, ibi ti kọọkan titun ano ti wa ni iloniniye lori gbogbo awọn ti tẹlẹ. Iṣẹ ibẹrẹ bii PixelRNN ati PixelCNN sọ asọtẹlẹ awọn aworan piksẹli aise kan ni akoko kan, ṣiṣayẹwo laini-ila, eyiti o lọra ṣugbọn mimọ ni imọ-jinlẹ. Awọn eto ode oni dipo kọkọ pọ aworan kan sinu akoj ti awọn ami iyasọtọ nipa lilo koodu koodu ara VQ-VAE, lẹhinna Ayipada kan sọ asọtẹlẹ awọn ami yẹn ni apa osi-si-ọtun. OpenAI's DALL-E 1 ati Google's Parti tẹle ohunelo yii, ti n ṣẹda awọn ami aworan ti o ni ilodisi lori itọsi ọrọ ṣaaju ṣiṣe iyipada wọn pada si awọn piksẹli. Anfani nla ni ṣiṣe apẹẹrẹ deede ati faaji iṣọkan ti o pin pẹlu ede. Iye owo naa jẹ lẹsẹsẹ, iṣapẹẹrẹ lọra.
Imọ-imọ-ẹrọ
Awoṣe naa ṣe agbekalẹ iṣeeṣe apapọ ti gbogbo awọn ami-ami sinu ọja ti awọn ipo: p(x) = ọja ti p (x_i ti a fun x_1...x_{i-1}). Oluyipada kan pẹlu ifarabalẹ idi (boju-boju) fi agbara mu pe ipo kọọkan nikan rii awọn ami ami iṣaaju. Lakoko ikẹkọ o sọ asọtẹlẹ gbogbo aami ni afiwe nipa lilo fipa olukọ, ṣugbọn ni itọkasi o gbọdọ ṣapejuwe ami ami kan ni akoko kan, fifun ọkọọkan pada si inu. Iwe koodu kodẹki ti o kọ ẹkọ ṣe ami ami pada si awọn abulẹ aworan, eyiti decoder kan gbe soke sinu awọn piksẹli ipari.
Ipa Ilana
Iyara ati iwọn
Visual AI le ṣe adaṣe adaṣe, wiwa, ati awọn iṣẹ ṣiṣe taagi ni iwọn.
Kọ awọn yiyan
Awọn ẹgbẹ ẹda le ṣe apẹrẹ awọn imọran yiyara pẹlu awọn atunyẹwo afọwọṣe diẹ.
Ẹgbẹ ati ṣiṣan iṣẹ
Awọn iṣẹ ṣiṣe le lo aworan ati awọn ifihan agbara fidio ti o nira tẹlẹ lati ṣiṣẹ.
Ojo iwaju ti Autoregressive Image generation
Iyara ni aarin ogun. Awọn ilana bii afiwera ati iyipada ami-boju (MaskGIT, Muse) ṣe ipilẹṣẹ ọpọlọpọ awọn ami ni ẹẹkan, ati pe iyipada arosọ ti o ya lati awọn awoṣe ede ti wa ni ibamu si awọn aworan. Awọn oniwadi tun n ṣe isokan ọrọ ati awọn ami aworan ni ẹhin ẹhin autoregressive kan ki awoṣe kan le ka ati fa, bi a ti rii ninu awọn eto multimodal. Reti autoregressive ati awọn imọran itankale lati tọju idapọmọra, pẹlu awọn awoṣe arabara ti o mu iṣakoso iṣakoso ti awọn ami ati didara itankale.
Real-World imuse
Awọn aworan ti ipilẹṣẹ DALL-E 1 nipasẹ sisọ asọtẹlẹ adaṣe kan ti akoj ti awọn ami aworan ọtọtọ lati ifori ọrọ kan.
Google's Parti ṣe iwọn Ayipada ọrọ-si-aworan afọwọṣe si 20 bilionu paramita fun alaye, awọn oju iṣẹlẹ olotitọ ni kiakia.
PixelCNN ati PixelRNN ṣe afihan iran aise pixel-by-pixel ati pe wọn tun lo bi awọn ipilẹ ẹkọ fun awọn awoṣe ti o da lori iṣeeṣe.
MaskGIT ati Muse lo fifi aami-boju tokini afiwera lati yara iṣelọpọ aworan ti o da lori ami-ami lakoko ti o tọju ikẹkọ ara-ara-ara-ara-ara.
Awọn ewu & Awọn ọna iṣọ
Awọn ẹtọ aworan ati igbanilaaye le di awọn eewu labẹ ofin ti o ba jẹ afihan.
Iṣe awoṣe le yatọ kọja ina, awọn ẹda eniyan, ati awọn agbegbe.
Awọn idaniloju eke le ma ṣe akiyesi ayafi ti a ba ṣe abojuto awọn ala igbẹkẹle.
Ilana Ilana imuse
Ṣetumo awọn ibeere gbigba fun pipe, iranti, ati awọn idiyele aṣiṣe.
Ṣe idanwo pẹlu data ti o baamu awọn ipo iṣelọpọ gidi.
Ṣafikun atunyẹwo eniyan fun igbẹkẹle kekere tabi awọn asọtẹlẹ ipa-giga.
Tọpinpin awoṣe ki o ṣe tunṣe lẹhin kamẹra tabi awọn ayipada datasetto.
Tesiwaju Ṣiṣawari
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 Autoregressive Image Generation 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
Itọsọna atẹle
AI Aworan Iran
Awọn ibeere ti a beere nigbagbogbo
What is Autoregressive Image Generation?
Iran aworan ti ara ẹni ṣe agbero awọn aworan ni ẹyọkan ni akoko kan, asọtẹlẹ ami-ami kọọkan lati ohun gbogbo ti ipilẹṣẹ ṣaaju rẹ. O ṣe pataki nitori pe ẹrọ atẹle-aami kanna ti n ṣe agbara awọn awoṣe ede le gbejade isokan, awọn aworan iṣakoso.
Kini 'autoregressive' tumọ si ni aaye ti iran aworan?
Awọn awoṣe autoregressive ṣe iwọn aworan naa bi ọkọọkan, asọtẹlẹ ami-ami kọọkan tabi ẹbun ti o da lori gbogbo awọn eroja ti ipilẹṣẹ ṣaaju rẹ.
Bawo ni awọn awoṣe aworan autoregressive ode oni bii DALL-E 1 ṣe aṣoju aworan kan ṣaaju asọtẹlẹ rẹ?
Awọn ọna ṣiṣe ode oni rọ aworan naa sinu awọn ami iyasọtọ (nigbagbogbo nipasẹ koodu koodu aṣa VQ-VAE), lẹhinna ṣe asọtẹlẹ lẹsẹsẹ ami yẹn pẹlu Amunawa.
Awọn awoṣe ibẹrẹ wo ni o ṣẹda awọn aworan piksẹli aise kan ni akoko kan?
PixelRNN ati PixelCNN jẹ aṣaaju-ọna aṣaaju-ọna adaṣe ti o ṣayẹwo ati asọtẹlẹ awọn aworan ẹbun nipasẹ piksẹli.
Ilana wo ni o ṣe idaniloju Amunawa kan nikan wa si awọn ami ami iṣaaju lakoko iran adaṣe?
Iboju ti o fa idinamọ ipo kọọkan lati wa si awọn ami-ami iwaju, ti o fi ipa mu isọdi-osi-si-ọtun.
Kí ni akọkọ ilowo drawback ti autoregressive image iṣapẹẹrẹ?
Nitoripe ami-ami kọọkan da lori awọn ti tẹlẹ, itọkasi gbọdọ ṣiṣẹ ami ami nipasẹ ami, ṣiṣe iran ni afiwera lọra.