概述
VQGAN 將圖像壓縮為從學習的碼本中提取的離散標記網格，讓轉換器以與語言模型生成文字相同的方式生成圖像。
VQGAN 和 Codebook 圖像合成屬於電腦視覺工作流程，可解釋或產生視覺媒體以進行分析、操作和創造力。
深入探討
VQGAN 在 2021 年論文「Taming Transformers for High-Resolution Image Synthesis」中介紹，將向量量化自動編碼器 (VQVAE) 與對抗性和感知訓練結合。編碼器將圖像映射到特徵向量的小網格；每個向量都被捕捉到學習的密碼本中最近的條目，例如 1024 個離散代碼，將圖像轉換為整數標記序列。解碼器根據這些標記重建圖像，並使用 GAN 判別器和感知損失進行訓練，因此重建看起來清晰而不是模糊。由於影像現在是離散的標記序列，因此自迴歸轉換器可以像語言一樣對它們進行建模，一一預測標記。當與 CLIP 指導配合使用時，VQGAN 為早期的文本到圖像藝術工具提供了強大的支援。
技術洞察
核心運算是向量量化：連續的編碼器輸出被它們最近的碼本向量替換，並帶有「直通」梯度估計器，因此儘管進行不可微查找，編碼器仍然可以學習。在自動編碼器之上添加基於補丁的 GAN 鑑別器，可以讓 VQGAN 使用比 VQVAE 小得多的令牌網格（例如 16x16），同時保持紋理清晰，使 Transformer 建模變得易於處理。
掌握 VQGAN 和 Codebook 影像合成
VQGAN 將圖像壓縮為從學習的碼本中提取的離散標記網格，讓轉換器以與語言模型生成文字相同的方式生成圖像。 VQGAN 和 Codebook 圖像合成屬於電腦視覺工作流程，可解釋或產生視覺媒體以進行分析、操作和創造力。為了建立深入的理解，請將 VQGAN 和碼本影像合成視為一種操作模型，而不是單一功能：定義所需的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用 VQGAN 和 Codebook Image Synthesis 的強大團隊可以平衡準確性與資料品質、光照變化和標籤一致性等操作現實。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。同時，如果出處不明，肖像權和同意可能會成為法律風險。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。
視覺人工智慧可以大規模自動化檢查、檢測和標記任務。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
創意團隊可以透過更少的手動修改來更快地建立概念原型。
創意團隊可以透過更少的手動修改來更快地建立概念原型。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
操作可以使用以前難以處理的影像和視訊訊號。
操作可以使用以前難以處理的影像和視訊訊號。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
將照片編碼為 16x16 的密碼本標記網格，以便轉換器可以對其進行建模和重新生成
將 VQGAN 與 CLIP 指導結合，創造出 2021 年病毒式傳播的超現實「VQGAN+CLIP」人工智慧藝術
將影像壓縮為緊湊的離散程式碼，以進行高效儲存或下游生成訓練
用作較大的基於標記的生成器（如 MaskGIT 和多模態轉換器）內的圖像標記生成器
實施模式
VQGAN 和 Codebook 影像合成實踐
將照片編碼為 16x16 的密碼本令牌網格，以便轉換器可以對其進行建模和重新產生。
將照片編碼到 16x16 的密碼本令牌網格中，以便轉換器可以對其進行建模和重新產生。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
VQGAN 和 Codebook 影像合成實踐
將 VQGAN 與 CLIP 指導相結合，創造出超現實的「VQGAN+CLIP」人工智慧藝術，並於 2021 年風靡一時。
將 VQGAN 與 CLIP 指導相結合，創造出超現實的「VQGAN+CLIP」人工智慧藝術，該藝術在 2021 年風靡一時。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
VQGAN 和 Codebook 影像合成實踐
將影像壓縮為緊湊的離散程式碼，以進行高效儲存或下游生成訓練。
將影像壓縮為緊湊的離散程式碼，以實現高效儲存或下游生成訓練當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
VQGAN 和 Codebook 影像合成實踐
用作較大的基於標記的生成器（如 MaskGIT 和多模態轉換器）內的圖像標記生成器。
在更大的基於代幣的生成器（如 MaskGIT 和多模式轉換器）中充當影像令牌產生器 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
如果出處不明，肖像權和同意可能會成為法律風險。
模型表現可能因光照、人口統計和環境的不同而有所不同。
除非監控置信閾值，否則誤報可能會被忽略。
實施路線圖
定義精確度、召回率和錯誤成本的接受標準。
定義精確度、召回率和錯誤成本的接受標準。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
使用符合實際生產條件的數據進行測試。
使用符合實際生產條件的數據進行測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
為低置信度或高影響力的預測添加人工審核。
為低置信度或高影響力的預測添加人工審核。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
追蹤模型漂移並在相機或資料集變更後重新驗證。
追蹤模型漂移並在相機或資料集變更後重新驗證。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。