Up tókànItọsọna atẹle
Ọrọ Rendering ni AI-ti ipilẹṣẹ Images
AI wiwo
Visual AI Itọsọna
Aworan Ọrọ-si-Aworan
Imagen jẹ eto ọrọ-si-aworan Google ti o yi awọn apejuwe kikọ pada si awọn aworan ojulowo.
Gbọ si itọsọna yiiAI-ṣe afihan · ~2 min
Lori iwe yi2 min ka
Akopọ
Wiwa akọle rẹ ni pe awoṣe ede ti o tobi julọ, kii ṣe nẹtiwọọki aworan ti o tobi julọ, jẹ awakọ ti o tobi julọ ti didara.
Jin Dive
Ti kede nipasẹ Google Iwadi ni ọdun 2022, Imagen fihan pe agbọye jinlẹ jinlẹ ni awọn ọrọ ti o tọ bi jijẹ daradara. Dipo koodu koodu ara-CLIP kan, Imagen nlo koodu koodu ti a ti kọkọ tẹlẹ (T5-XXL) ti o jẹ tutunini, lẹhinna ifunni awọn ifibọ ede ọlọrọ wọnyẹn sinu awoṣe itankale. O ṣe agbejade aworan kekere 64x64 ati pe o nlo awọn ipele itọka iwọn-giga meji lati gbega si 1024x1024. Ẹgbẹ naa tun ṣafihan 'ilọpo agbara' lati jẹ ki awọn awọ jẹ iduroṣinṣin ni itọsọna giga, ati kọ DrawBench, aami ipilẹ ti kika idanwo ẹtan, awọn ibatan aye, ati awọn akojọpọ toje. Awọn ẹya ti o tẹle, Imagen 2 ati Imagen 3, alaye ti o pọ, sisọ ọrọ, ati iṣootọ kiakia, ati ni bayi agbara awọn irinṣẹ aworan Google.
Real-World imuse
Ṣiṣẹda awọn wiwo titaja fọto gidi lati inu kukuru ti a kọ laisi iyaworan fọto kan
Ṣiṣẹda awọn apejuwe ero fun itan-itan tabi awọn iwe ọmọde lati awọn gbolohun ọrọ asọye
Ṣiṣejade awọn ẹgan ọja ati awọn iyatọ oju iṣẹlẹ fun awọn atokọ e-commerce
Wiwo imọ-jinlẹ tabi awọn imọran eto-ẹkọ, bii iṣẹda olorin ti a ṣalaye ni ede itele
Ojo iwaju ti Imagen Text-to-Image
Ila ti Imagen n gbe lọ si kikọ ti o dara julọ ninu awọn aworan, titẹle titẹle fun awọn iwoye ti o nipọn, ati iṣapẹẹrẹ yiyara. Reti idapọ ti o jinlẹ pẹlu awọn awoṣe ede ki eto naa 'awọn idi' nipa ibeere kan ṣaaju iyaworan, pẹlu isamisi omi ti o lagbara bi SynthID fun iṣafihan. Bi o ṣe n ṣepọ kọja awọn ọja Google ati Gemini ilolupo, idojukọ naa yipada si igbẹkẹle, ailewu, iran iṣakoso dipo aratuntun aise.
Fifi o sinu iwa
Kini idi ti o ṣe pataki
- 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.
Ṣọra fun
- 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.
Next awọn igbesẹ
- 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
Ìwé ìròyìn ọfẹ
Gba ìkànìyàn AI ojoojúmọ́
Ìtàn AI mẹta tó jẹ́rìí ní gbogbo owurọ́ ọjọ́ iṣẹ́, kọ́wé ní Gẹ̀ẹ́sì tó rọrùn. Ọfẹ́ fún gbogbo àkókò, kò sí ìpolówó.
Ìmeèlì kan ní gbogbo ọjọ́ iṣẹ́. Yọkúrò ní ìkànìyàn ní ìkànìyàn kan. A kò ta tàbí pín àdírẹ́sì rẹ.
Ṣe idanwo fun ara rẹ
Take the Imagen Text-to-Image quiz
Ìdáhùn lẹ́sẹ̀kẹsẹ̀ lórí gbogbo ìdáhùn, àti iwe-ẹ̀rí tó lè pin pẹ̀lú ID tó lè jẹ́rìí lẹ́yìn tí o bá kọ́ ẹ̀kọ́.
Ṣe àtìlẹ́yìn ẹ̀kọ́ AI ọfẹ́. AI Understanding jẹ́ àjọ àìní èrè 501(c)(3) — kò sí ìpolówó, kò sí àkúnya owó, ní gbogbo àkókò. Ṣe ẹbun kan
Awọn ibeere ti a beere nigbagbogbo
Kini Imagen Text-to-Image?
Imagen jẹ eto ọrọ-si-aworan Google ti o yi awọn apejuwe kikọ pada si awọn aworan fọtoyiya. Wiwa akọle rẹ ni pe awoṣe ede didi nla kan, kii ṣe nẹtiwọọki aworan nla, jẹ awakọ ti didara julọ.
In the original Imagen study's scaling comparison, which change produced larger image-quality and text-alignment gains?
The reported comparisons favored scaling the text encoder; this is a study result, not a universal rule for every architecture.
Ewo koodu koodu ti Imagen gbarale?
Imagen nlo titobi nla, koodu T5-XXL ti a ti kọkọ tẹlẹ ti ọrọ nikan, ti o di tutunini lakoko ikẹkọ.
Bawo ni Imagen ṣe de ipinnu giga?
O ṣe agbejade aworan 64 × 64 kan lẹhinna gbega nipasẹ awọn awoṣe itọjade ipinfunni nla si 1024 × 1024.
What problem did original Imagen's dynamic thresholding address under strong guidance?
The method clips and rescales predicted pixels to limit saturation under large guidance weights.
Kini DrawBench?
DrawBench jẹ aami ipilẹ Google ti a ṣe pẹlu Imagen lati ṣe idanwo kika, awọn ibatan aaye, ati awọn itọsi to ṣọwọn.
Tesiwaju kikọ
Jẹmọ awọn itọsọna
Awọn itọsọna diẹ sii ti a yan fun koko yii