ໃນຊຸມປີມໍ່ໆມານີ້, ຮູບແບບການຜະລິດທີ່ເອີ້ນວ່າ "ແບບຈໍາລອງການແຜ່ກະຈາຍ" ໄດ້ກາຍເປັນທີ່ນິຍົມຫລາຍຂຶ້ນ, ແລະມີເຫດຜົນດີ.
ໂລກໄດ້ເຫັນແບບຈໍາລອງການແຜ່ກະຈາຍທີ່ມີຄວາມສາມາດ, ເຊັ່ນວ່າ GANs ທີ່ມີປະສິດທິພາບດີກວ່າການສັງເຄາະຮູບພາບ, ຍ້ອນການພິມຈໍາຫນ່າຍສະຖານທີ່ສໍາຄັນຈໍານວນຫນຶ່ງທີ່ຈັດພີມມາໃນປີ 2020 ແລະ 2021s.
ຜູ້ປະຕິບັດຫຼາຍທີ່ສຸດບໍ່ດົນມານີ້ໄດ້ເຫັນການນໍາໃຊ້ຮູບແບບການແຜ່ກະຈາຍໃນ DALL-E2, ຮູບແບບການສ້າງຮູບພາບຂອງ OpenAI ທີ່ຖືກຈັດພີມມາໃນເດືອນແລ້ວນີ້.
ຜູ້ປະຕິບັດການຮຽນຮູ້ເຄື່ອງຈັກຈໍານວນຫຼາຍແມ່ນບໍ່ຕ້ອງສົງໃສກ່ຽວກັບການເຮັດວຽກພາຍໃນຂອງ Diffusion Models ເນື່ອງຈາກຜົນສໍາເລັດທີ່ຜ່ານມາຂອງເຂົາເຈົ້າເພີ່ມຂຶ້ນ.
ໃນບົດຂຽນນີ້, ພວກເຮົາຈະເບິ່ງພື້ນຖານທິດສະດີຂອງແບບຈໍາລອງການແຜ່ກະຈາຍ, ການອອກແບບ, ຂໍ້ໄດ້ປຽບຂອງພວກເຂົາ, ແລະອື່ນໆອີກ. ໃຫ້ເຮົາໄປ.
ຮູບແບບການແຜ່ກະຈາຍແມ່ນຫຍັງ?
ໃຫ້ເລີ່ມຕົ້ນໂດຍການຄິດອອກວ່າເປັນຫຍັງຕົວແບບນີ້ຈຶ່ງເອີ້ນວ່າຮູບແບບການແຜ່ກະຈາຍ.
ຄໍາທີ່ກ່ຽວຂ້ອງກັບ thermodynamics ໃນຫ້ອງຮຽນຟີຊິກແມ່ນເອີ້ນວ່າການແຜ່ກະຈາຍ. ລະບົບບໍ່ສົມດຸນຖ້າມີຄວາມເຂັ້ມຂຸ້ນຂອງວັດສະດຸ, ເຊັ່ນກິ່ນຫອມ, ຢູ່ໃນສະຖານທີ່ດຽວ.
ການແຜ່ກະຈາຍຕ້ອງເກີດຂຶ້ນເພື່ອໃຫ້ລະບົບເຂົ້າສູ່ຄວາມສົມດຸນ. ໂມເລກຸນຂອງກິ່ນຫອມກະຈາຍໄປທົ່ວລະບົບຈາກພາກພື້ນທີ່ມີຄວາມເຂັ້ມຂຸ້ນສູງກວ່າ, ເຮັດໃຫ້ລະບົບມີຄວາມເປັນເອກະພາບຕະຫຼອດ.
ໃນທີ່ສຸດທຸກສິ່ງທຸກຢ່າງກໍ່ກາຍເປັນດຽວກັນເນື່ອງຈາກການແຜ່ກະຈາຍ.
ແບບຈໍາລອງການແຜ່ກະຈາຍໄດ້ຖືກກະຕຸ້ນໂດຍເງື່ອນໄຂທີ່ບໍ່ສົມດຸນທາງອຸນຫະພູມ. ຮູບແບບການແຜ່ກະຈາຍໃຊ້ລະບົບຕ່ອງໂສ້ Markov, ເຊິ່ງເປັນຊຸດຂອງຕົວແປທີ່ຄ່າຂອງແຕ່ລະຕົວແປແມ່ນຂຶ້ນກັບສະຖານະຂອງເຫດການກ່ອນໜ້າ.
ການຖ່າຍຮູບ, ພວກເຮົາສືບຕໍ່ເພີ່ມສຽງລົບກວນໃສ່ມັນຢ່າງຕໍ່ເນື່ອງຕະຫຼອດໄລຍະການແຜ່ກະຈາຍໄປຂ້າງຫນ້າ.
ຫຼັງຈາກເກັບຮັກສາຮູບພາບ noisier, ພວກເຮົາດໍາເນີນການສ້າງຮູບພາບຕໍ່ໄປໃນຊຸດໂດຍການແນະນໍາສິ່ງລົບກວນເພີ່ມເຕີມ.
ຫຼາຍຄັ້ງ, ຂັ້ນຕອນນີ້ແມ່ນເຮັດໄດ້. ຮູບພາບສິ່ງລົບກວນອັນບໍລິສຸດເປັນຜົນມາຈາກການເຮັດຊ້ຳວິທີນີ້ສອງສາມເທື່ອ.
ແລ້ວພວກເຮົາຈະສ້າງຮູບຈາກຮູບທີ່ສັບສົນນີ້ໄດ້ແນວໃດ?
ຂະບວນການແຜ່ກະຈາຍແມ່ນປີ້ນກັບກັນໂດຍໃຊ້ a ເຄືອຂ່າຍ neural. ເຄືອຂ່າຍດຽວກັນແລະນ້ໍາຫນັກດຽວກັນຖືກນໍາໃຊ້ໃນຂະບວນການແຜ່ກະຈາຍກັບຄືນໄປບ່ອນເພື່ອສ້າງຮູບພາບຈາກ t ຫາ t-1.
ແທນທີ່ຈະປ່ອຍໃຫ້ເຄືອຂ່າຍຄາດຄະເນຮູບພາບ, ຄົນເຮົາສາມາດພະຍາຍາມຄາດຄະເນສິ່ງລົບກວນໃນແຕ່ລະຂັ້ນຕອນ, ເຊິ່ງຕ້ອງອອກຈາກຮູບພາບ, ເພື່ອເຮັດໃຫ້ວຽກງານງ່າຍຂຶ້ນ.
ໃນສະຖານະການໃດກໍ່ຕາມ, ໄດ້ ການອອກແບບເຄືອຂ່າຍ neural ຕ້ອງໄດ້ຮັບການຄັດເລືອກໃນວິທີການຮັກສາຂະຫນາດຂໍ້ມູນ.
ເຊົາເລິກເຂົ້າໄປໃນຕົວແບບການແຜ່ກະຈາຍ
ອົງປະກອບຂອງຮູບແບບການແຜ່ກະຈາຍແມ່ນຂະບວນການສົ່ງຕໍ່ (ຍັງເອີ້ນວ່າຂະບວນການກະຈາຍ), ໃນ datum (ມັກຈະເປັນຮູບພາບ) ຄ່ອຍໆ noised, ແລະຂະບວນການ reverse (ຍັງເອີ້ນວ່າຂະບວນການກະຈາຍ reverse), ໃນສິ່ງລົບກວນແມ່ນ. ປ່ຽນກັບຄືນໄປເປັນຕົວຢ່າງຈາກການແຈກຢາຍເປົ້າຫມາຍ.
ເມື່ອລະດັບສຽງລົບກວນຕໍ່າພຽງພໍ, Gaussians ທີ່ມີເງື່ອນໄຂສາມາດຖືກນໍາໃຊ້ເພື່ອສ້າງການຫັນປ່ຽນລະບົບຕ່ອງໂສ້ຕົວຢ່າງໃນຂະບວນການຕໍ່ໄປ. ການກໍານົດຕົວກໍານົດການງ່າຍຂອງຂະບວນການຕໍ່ຫນ້າແມ່ນຜົນມາຈາກການສົມທົບຄວາມຮູ້ນີ້ກັບສົມມຸດຕິຖານ Markov:
q(x1:T |x0) := YT t=1 q(xt|xt−1), q(xt|xt−1) := N(xt; p 1 − βtxt−1, βtI)
ທີ່ນີ້ 1 ….T ແມ່ນຕາຕະລາງການປ່ຽນແປງ (ບໍ່ວ່າຈະຮຽນຮູ້ຫຼືຄົງທີ່) ທີ່ຮັບປະກັນ, ສໍາລັບ T ສູງພຽງພໍ, ວ່າ xT ແມ່ນເກືອບເປັນ isotropic Gaussian.
ຂະບວນການກົງກັນຂ້າມແມ່ນບ່ອນທີ່ magic ຮູບແບບການແຜ່ກະຈາຍເກີດຂຶ້ນ. ຮູບແບບຮຽນຮູ້ທີ່ຈະກັບຄືນຂະບວນການແຜ່ກະຈາຍນີ້ໃນລະຫວ່າງການຝຶກອົບຮົມເພື່ອຜະລິດຂໍ້ມູນສົດ. ຮູບແບບຮຽນຮູ້ການແຈກຢາຍຮ່ວມກັນເປັນ (x0:T) ຜົນຂອງການເລີ່ມຕົ້ນດ້ວຍສົມຜົນສິ່ງລົບກວນຂອງ Gaussian ບໍລິສຸດ
(xT):=N(xT,0,I).
pθ(x0:T) := p(xT) YT t=1 pθ(xt−1|xt), pθ(xt−1|xt) := N (xt−1; µθ (xt, t), Σθ( xt, t))
ບ່ອນທີ່ຕົວກໍານົດການຂຶ້ນກັບເວລາຂອງການປ່ຽນແປງຂອງ Gaussian ຖືກຄົ້ນພົບ. ໂດຍສະເພາະ, ຈົ່ງສັງເກດວິທີການສູດ Markov ວ່າການແຈກຢາຍການແຜ່ກະຈາຍແບບປີ້ນກັບກັນແມ່ນຂຶ້ນກັບເວລາກ່ອນຫນ້າ (ຫຼືເວລາຕໍ່ມາ, ຂຶ້ນກັບວິທີທີ່ທ່ານເບິ່ງ):
pθ(xt−1|xt) := N (xt−1; µθ (xt, t), Σθ(xt, t))
ການຝຶກອົບຮົມຕົວແບບ
ຮູບແບບ Markov ປີ້ນກັບກັນທີ່ເພີ່ມຄວາມເປັນໄປໄດ້ຂອງຂໍ້ມູນການຝຶກອົບຮົມແມ່ນຖືກນໍາໃຊ້ເພື່ອຝຶກອົບຮົມຮູບແບບການແຜ່ກະຈາຍ. ໃນທາງປະຕິບັດການເວົ້າ, ການຝຶກອົບຮົມແມ່ນຄ້າຍຄືກັນກັບການຫຼຸດຜ່ອນຄວາມຜັນຜວນເທິງຜູກພັນກ່ຽວກັບຄວາມເປັນໄປໄດ້ຂອງບັນທຶກທາງລົບ.
E [− log pθ(x0)] ≤ Eq − log pθ(x0:T ) q(x1:T |x0) = Eq − log p(xT) − X t≥1 log pθ(xt−1|xt) q (xt|xt−1) =: L
ແບບຈໍາລອງ
ໃນປັດຈຸບັນພວກເຮົາຈໍາເປັນຕ້ອງໄດ້ຕັດສິນໃຈທີ່ຈະປະຕິບັດແບບຈໍາລອງການແຜ່ກະຈາຍຂອງພວກເຮົາຫຼັງຈາກການສ້າງຕັ້ງພື້ນຖານທາງຄະນິດສາດຂອງຫນ້າທີ່ເປົ້າຫມາຍຂອງພວກເຮົາ. ການຕັດສິນໃຈອັນດຽວທີ່ຈໍາເປັນສໍາລັບຂະບວນການຕໍ່ຫນ້າແມ່ນການກໍານົດຕາຕະລາງການປ່ຽນແປງ, ເຊິ່ງໂດຍທົ່ວໄປແລ້ວມູນຄ່າຂອງມັນເພີ່ມຂຶ້ນໃນລະຫວ່າງຂັ້ນຕອນ.
ພວກເຮົາພິຈາລະນາຢ່າງແຂງແຮງໃນການນໍາໃຊ້ຕົວກໍານົດການແຈກຢາຍ Gaussian ແລະສະຖາປັດຕະຍະກໍາແບບຈໍາລອງສໍາລັບຂັ້ນຕອນການປີ້ນຄືນ.
ເງື່ອນໄຂດຽວຂອງການອອກແບບຂອງພວກເຮົາແມ່ນວ່າທັງວັດສະດຸປ້ອນແລະຜົນຜະລິດມີຂະຫນາດດຽວກັນ. ອັນນີ້ຊີ້ໃຫ້ເຫັນເຖິງລະດັບອິດສະລະອັນມະຫາສານທີ່ແບບຈໍາລອງການແຜ່ກະຈາຍໃຫ້.
ຂ້າງລຸ່ມນີ້, ພວກເຮົາຈະເຂົ້າໄປໃນຄວາມເລິກຫຼາຍກວ່າເກົ່າກ່ຽວກັບທາງເລືອກເຫຼົ່ານີ້.
ຂະບວນການສົ່ງຕໍ່
ພວກເຮົາຕ້ອງໃຫ້ຕາຕະລາງການປ່ຽນແປງທີ່ກ່ຽວຂ້ອງກັບຂະບວນການຕໍ່ໄປ. ພວກເຮົາໂດຍສະເພາະກໍານົດໃຫ້ພວກເຂົາເປັນຄ່າຄົງທີ່ຂຶ້ນກັບເວລາແລະບໍ່ສົນໃຈຄວາມເປັນໄປໄດ້ທີ່ພວກເຂົາສາມາດຮຽນຮູ້ໄດ້. ຕາຕະລາງເວລາຈາກ
β1 = 10−4 ຫາ βT = 0.02.
Lt ກາຍເປັນຄ່າຄົງທີ່ກ່ຽວກັບຊຸດພາລາມິເຕີທີ່ສາມາດຮຽນຮູ້ໄດ້ຂອງພວກເຮົາເນື່ອງຈາກຕາຕະລາງການປ່ຽນແປງທີ່ຄົງທີ່, ອະນຸຍາດໃຫ້ພວກເຮົາບໍ່ສົນໃຈມັນໃນລະຫວ່າງການຝຶກອົບຮົມໂດຍບໍ່ຄໍານຶງເຖິງຄ່າສະເພາະທີ່ເລືອກ.
ຂະບວນການປີ້ນກັບກັນ
ໃນປັດຈຸບັນພວກເຮົາໄປກ່ຽວກັບການຕັດສິນໃຈທີ່ຈໍາເປັນເພື່ອກໍານົດຂະບວນການປີ້ນກັບກັນ. ຈື່ໄວ້ວ່າພວກເຮົາອະທິບາຍການຫັນປ່ຽນ Markov ໃນທາງກັບກັນເປັນ Gaussian:
pθ(xt−1|xt) := N (xt−1; µθ (xt, t), Σθ(xt, t))
ໃນປັດຈຸບັນທີ່ພວກເຮົາໄດ້ກໍານົດປະເພດທີ່ເປັນປະໂຫຍດ. ເຖິງວ່າຈະມີຄວາມຈິງທີ່ວ່າມີເຕັກນິກທີ່ສັບສົນຫຼາຍເພື່ອ parameterize, ພວກເຮົາພຽງແຕ່ກໍານົດ
Σθ(xt, t) = σ 2 t I
σ 2 t = βt
ເພື່ອເຮັດໃຫ້ມັນເປັນອີກທາງຫນຶ່ງ, ພວກເຮົາພິຈາລະນາ Gaussian multivariate ເປັນຜົນມາຈາກ Gaussians ແຍກຕ່າງຫາກທີ່ມີຄວາມແຕກຕ່າງດຽວກັນ, ມູນຄ່າການປ່ຽນແປງທີ່ສາມາດປ່ຽນແປງໄດ້ໃນໄລຍະເວລາ. deviations ເຫຼົ່ານີ້ຖືກກໍານົດໃຫ້ກົງກັບຕາຕະລາງເວລາຂອງການສົ່ງຕໍ່ deviations ຂະບວນການ.
ເປັນຜົນມາຈາກການສ້າງໃຫມ່ນີ້, ພວກເຮົາມີ:
pθ(xt−1|xt) := N (xt−1; µθ (xt, t), Σθ(xt, t)) :=N (xt−1; µθ (xt, t), σ2 t I)
ນີ້ສົ່ງຜົນໃຫ້ຫນ້າທີ່ສູນເສຍທາງເລືອກທີ່ສະແດງຢູ່ຂ້າງລຸ່ມນີ້, ເຊິ່ງຜູ້ຂຽນພົບວ່າມີການຝຶກອົບຮົມທີ່ສອດຄ່ອງແລະຜົນໄດ້ຮັບທີ່ດີກວ່າ:
Lsimple(θ):= Et,x0, h − θ( √ α¯tx0 + √ 1 − α¯t, t) 2
ຜູ້ຂຽນຍັງໄດ້ດຶງດູດການເຊື່ອມຕໍ່ລະຫວ່າງການສ້າງແບບຈໍາລອງການແຜ່ກະຈາຍແລະຮູບແບບການຜະລິດທີ່ກົງກັນກັບ Langevin. ເຊັ່ນດຽວກັນກັບການພັດທະນາທີ່ເປັນເອກະລາດແລະຂະຫນານຂອງຟີຊິກ quantum ທີ່ອີງໃສ່ຄື້ນແລະກົນໄກການ quantum ທີ່ອີງໃສ່ມາຕຣິກເບື້ອງ, ເຊິ່ງໄດ້ເປີດເຜີຍສອງຮູບແບບປຽບທຽບຂອງປະກົດການດຽວກັນ, ປະກົດວ່າແບບຈໍາລອງການແຜ່ກະຈາຍແລະແບບຈໍາລອງຄະແນນສາມາດເປັນສອງດ້ານຂອງຫຼຽນດຽວກັນ.
ສະຖາປັດຕະຍະ ກຳ ເຄືອຂ່າຍ
ເຖິງວ່າຈະມີຄວາມຈິງທີ່ວ່າຫນ້າທີ່ສູນເສຍຄວາມຫນາແຫນ້ນຂອງພວກເຮົາມີຈຸດປະສົງເພື່ອຝຶກອົບຮົມແບບຈໍາລອງ Σθ, ພວກເຮົາຍັງບໍ່ໄດ້ຕັດສິນໃຈກ່ຽວກັບຖາປັດຕະຍະຂອງຕົວແບບນີ້. ຈົ່ງຈື່ໄວ້ວ່າຕົວແບບພຽງແຕ່ຕ້ອງມີຂະຫນາດວັດສະດຸປ້ອນແລະຜົນຜະລິດດຽວກັນ.
ເນື່ອງຈາກຂໍ້ຈໍາກັດນີ້, ມັນອາດຈະບໍ່ຄາດຫວັງວ່າສະຖາປັດຕະຍະກໍາທີ່ຄ້າຍຄືກັບ U-Net ຖືກນໍາໃຊ້ເລື້ອຍໆເພື່ອສ້າງຮູບແບບການແຜ່ກະຈາຍຮູບພາບ.
ການປ່ຽນແປງຈໍານວນຫລາຍແມ່ນເຮັດຕາມເສັ້ນທາງຂອງຂະບວນການປີ້ນກັບກັນໃນຂະນະທີ່ນໍາໃຊ້ການແຈກຢາຍ Gaussian ທີ່ມີເງື່ອນໄຂຢ່າງຕໍ່ເນື່ອງ. ຈື່ໄວ້ວ່າເປົ້າຫມາຍຂອງຂັ້ນຕອນການປີ້ນກັບກັນແມ່ນເພື່ອສ້າງຮູບພາບທີ່ປະກອບດ້ວຍຄ່າ pixels ລວງເປັນຈໍານວນເຕັມ. ການກໍານົດຄວາມເປັນໄປໄດ້ທີ່ບໍ່ຊ້ໍາກັນ (ບັນທຶກ) ສໍາລັບແຕ່ລະມູນຄ່າ pixels ລວງທີ່ມີທ່າແຮງຫຼາຍກວ່າ pixels ທັງຫມົດແມ່ນມີຄວາມຈໍາເປັນ.
ອັນນີ້ແມ່ນສຳເລັດໂດຍການມອບໝາຍຕົວຖອດລະຫັດແຍກຕ່າງຫາກໃຫ້ກັບການປ່ຽນແປງຫຼ້າສຸດຂອງຕ່ອງໂສ້ການແຜ່ກະຈາຍແບບປີ້ນກັບກັນ. ການປະເມີນໂອກາດຂອງຮູບພາບທີ່ແນ່ນອນ x0 ໄດ້ຮັບ x1.
pθ(x0|x1) = YD i=1 Z δ+(xi 0) δ−(xi 0) N (x; µ i θ (x1, 1), σ2 1) dx
δ+(x) = ∞ ຖ້າ x = 1 x + 1 255 ຖ້າ x < 1 δ−(x) = −∞ ຖ້າ x = −1 x − 1 255 ຖ້າ x > −1
ບ່ອນທີ່ superscript ຂ້າພະເຈົ້າຫມາຍເຖິງການສະກັດເອົາຫນຶ່ງປະສານງານແລະ D ຫມາຍເຖິງຈໍານວນຂະຫນາດໃນຂໍ້ມູນ.
ຈຸດປະສົງໃນຈຸດນີ້ແມ່ນເພື່ອສ້າງຄວາມເປັນໄປໄດ້ຂອງແຕ່ລະຄ່າຈໍານວນເຕັມສໍາລັບ pixels ລວງສະເພາະໂດຍໃຫ້ການແຜ່ກະຈາຍຂອງຄຸນຄ່າທີ່ເປັນໄປໄດ້ຂອງ pixels ລວງທີ່ແຕກຕ່າງກັນຂອງເວລາ. t=1.
ຈຸດປະສົງສຸດທ້າຍ
ຜົນໄດ້ຮັບທີ່ຍິ່ງໃຫຍ່ທີ່ສຸດ, ອີງຕາມນັກວິທະຍາສາດ, ມາຈາກການຄາດຄະເນອົງປະກອບສຽງຂອງຮູບພາບໃນເວລາໃດຫນຶ່ງ. ໃນທີ່ສຸດ, ພວກເຂົາໃຊ້ເປົ້າຫມາຍດັ່ງຕໍ່ໄປນີ້:
Lsimple(θ):= Et,x0, h − θ( √ α¯tx0 + √ 1 − α¯t, t) 2
ໃນຮູບພາບຕໍ່ໄປນີ້, ຂັ້ນຕອນການຝຶກອົບຮົມ ແລະຕົວຢ່າງສໍາລັບຮູບແບບການແຜ່ກະຈາຍຂອງພວກເຮົາແມ່ນສະແດງໃຫ້ເຫັນຢ່າງຫຍໍ້ທໍ້:
ຜົນປະໂຫຍດຂອງຕົວແບບການແຜ່ກະຈາຍ
ດັ່ງທີ່ໄດ້ລະບຸໄວ້ແລ້ວ, ປະລິມານການຄົ້ນຄວ້າກ່ຽວກັບແບບຈໍາລອງການແຜ່ກະຈາຍໄດ້ເພີ່ມຂຶ້ນຫຼາຍເມື່ອບໍ່ດົນມານີ້. ຮູບແບບການແຜ່ກະຈາຍຕອນນີ້ໃຫ້ຄຸນນະພາບຮູບພາບທີ່ທັນສະໄໝ ແລະໄດ້ຮັບແຮງບັນດານໃຈຈາກອຸນຫະພູມທີ່ບໍ່ສົມດຸນກັນ.
ແບບຈໍາລອງການແຜ່ກະຈາຍໃຫ້ຄວາມຫລາກຫລາຍຂອງຂໍ້ໄດ້ປຽບອື່ນໆນອກເຫນືອຈາກການມີຄຸນນະພາບຂອງຮູບພາບທີ່ທັນສະ ໄໝ, ເຊັ່ນວ່າບໍ່ຮຽກຮ້ອງໃຫ້ມີການຝຶກຝົນຂອງສັດຕູ.
ຂໍ້ບົກຜ່ອງຂອງການຝຶກອົບຮົມຝ່າຍກົງກັນຂ້າມແມ່ນເປັນທີ່ຮູ້ຈັກຢ່າງກວ້າງຂວາງ, ສະນັ້ນມັນມັກຈະເລືອກທາງເລືອກທີ່ບໍ່ແມ່ນຄູ່ຕໍ່ສູ້ທີ່ມີການປະຕິບັດທຽບເທົ່າແລະປະສິດທິພາບການຝຶກອົບຮົມ.
ແບບຈໍາລອງການແຜ່ກະຈາຍຍັງໃຫ້ຂໍ້ໄດ້ປຽບຂອງການຂະຫຍາຍແລະຂະຫນານໃນແງ່ຂອງປະສິດທິພາບການຝຶກອົບຮົມ.
ເຖິງແມ່ນວ່າຕົວແບບການແຜ່ກະຈາຍເບິ່ງຄືວ່າຈະສ້າງຜົນໄດ້ຮັບທີ່ເບິ່ງຄືວ່າບໍ່ມີອາກາດບາງໆ, ພື້ນຖານສໍາລັບຜົນໄດ້ຮັບເຫຼົ່ານີ້ແມ່ນໄດ້ວາງໄວ້ໂດຍການຕັດສິນໃຈທາງຄະນິດສາດທີ່ຄິດແລະຫນ້າສົນໃຈຫຼາຍ, ແລະການປະຕິບັດທີ່ດີທີ່ສຸດຂອງອຸດສາຫະກໍາຍັງຖືກພັດທະນາ.
ສະຫຼຸບ
ສະຫຼຸບແລ້ວ, ນັກຄົ້ນຄວ້າໄດ້ສະແດງໃຫ້ເຫັນການຄົ້ນພົບການສັງເຄາະຮູບພາບທີ່ມີຄຸນນະພາບສູງໂດຍໃຊ້ຕົວແບບ probabilistic ການແຜ່ກະຈາຍ, ຫ້ອງຮຽນຂອງຕົວແປຕົວແປ latent ກະຕຸ້ນໂດຍແນວຄວາມຄິດຈາກ thermodynamics ທີ່ບໍ່ສົມດຸນ.
ເຂົາເຈົ້າບັນລຸໄດ້ສິ່ງທີ່ຍິ່ງໃຫຍ່ຍ້ອນຜົນໄດ້ຮັບຂອງລັດຂອງສິນລະປະແລະການຝຶກອົບຮົມທີ່ບໍ່ມີການເປັນສັດຕູຂອງເຂົາເຈົ້າແລະເປັນເດັກນ້ອຍຂອງເຂົາເຈົ້າ, ຄວາມກ້າວຫນ້າອາດຈະຄາດວ່າຈະຫຼາຍໃນຊຸມປີຂ້າງຫນ້າ.
ໂດຍສະເພາະ, ມັນໄດ້ຖືກຄົ້ນພົບວ່າຕົວແບບການແຜ່ກະຈາຍແມ່ນສໍາຄັນຕໍ່ການເຮັດວຽກຂອງຕົວແບບຂັ້ນສູງເຊັ່ນ DALL-E 2.
ທີ່ນີ້ ທ່ານສາມາດເຂົ້າເຖິງການຄົ້ນຄວ້າທີ່ສົມບູນ.
ອອກຈາກ Reply ເປັນ