ഉള്ളടക്ക പട്ടിക[മറയ്ക്കുക][കാണിക്കുക]
ഒരു കമ്പ്യൂട്ടറിന് ഒരു ചിത്രം വിവരിക്കാൻ കഴിയുമെന്ന് നിങ്ങൾക്ക് മിക്കവാറും അറിയാം.
ഉദാഹരണത്തിന്, നിങ്ങളുടെ കുട്ടികളുമായി കളിക്കുന്ന ഒരു നായയുടെ ചിത്രം 'പൂന്തോട്ടത്തിലെ നായയും കുട്ടികളും' എന്ന് വിവർത്തനം ചെയ്യാവുന്നതാണ്. എന്നാൽ നേരെ വിപരീതമായ വഴിയും ഇപ്പോൾ സാധ്യമാണെന്ന് നിങ്ങൾക്കറിയാമോ? നിങ്ങൾ ചില വാക്കുകൾ ടൈപ്പ് ചെയ്യുക, മെഷീൻ ഒരു പുതിയ ചിത്രം സൃഷ്ടിക്കുന്നു.
നിലവിലുള്ള ഫോട്ടോഗ്രാഫുകൾ തിരയുന്ന Google തിരയലിൽ നിന്ന് വ്യത്യസ്തമായി, ഇതെല്ലാം പുതുമയുള്ളതാണ്. സമീപ വർഷങ്ങളിൽ, ഓപ്പൺഎഐ ഒരു പ്രമുഖ സ്ഥാപനമാണ്, അതിശയകരമായ ഫലങ്ങൾ റിപ്പോർട്ട് ചെയ്യുന്നു.
വലിയ ടെക്സ്റ്റ്, പിക്ചർ ഡാറ്റാബേസുകളിൽ അവർ അവരുടെ അൽഗോരിതം പരിശീലിപ്പിക്കുന്നു. ദശലക്ഷക്കണക്കിന് ഫോട്ടോകളിൽ പരിശീലനം ലഭിച്ച അവരുടെ GLIDE ഇമേജ് മോഡലിനെക്കുറിച്ച് അവർ ഒരു പേപ്പർ പ്രസിദ്ധീകരിച്ചു. ഫോട്ടോറിയലിസത്തിന്റെ കാര്യത്തിൽ, ഇത് അവരുടെ മുമ്പത്തെ 'DALL-E' മോഡലിനെ മറികടക്കുന്നു.
ഈ പോസ്റ്റിൽ, ടെക്സ്റ്റ്-ഗൈഡഡ് ഡിഫ്യൂഷൻ മോഡലുകൾ ഉപയോഗിച്ച് ഫോട്ടോറിയലിസ്റ്റിക് ചിത്രങ്ങൾ നിർമ്മിക്കുന്നതിനും മാറ്റുന്നതിനും ലക്ഷ്യമിട്ടുള്ള നിരവധി ആകർഷകമായ സംരംഭങ്ങളിൽ ഒന്നായ OpenAI- യുടെ GLIDE-ലേക്ക് ഞങ്ങൾ നോക്കാം. നമുക്ക് തുടങ്ങാം.
എന്താണ് AI ഗ്ലൈഡ് തുറക്കുക?
മിക്ക ചിത്രങ്ങളും വാക്കുകളിൽ വിവരിക്കാൻ കഴിയുമെങ്കിലും, ടെക്സ്റ്റ് ഇൻപുട്ടുകളിൽ നിന്ന് ചിത്രങ്ങൾ സൃഷ്ടിക്കുന്നത് പ്രത്യേക അറിവും ഗണ്യമായ സമയവും ആവശ്യമാണ്.
സ്വാഭാവിക ഭാഷാ പ്രോംപ്റ്റുകളിൽ നിന്ന് ഫോട്ടോറിയലിസ്റ്റിക് ചിത്രങ്ങൾ നിർമ്മിക്കാൻ ഒരു AI ഏജന്റിനെ അനുവദിക്കുന്നത്, അഭൂതപൂർവമായ അനായാസതയോടെ സമ്പന്നവും വൈവിധ്യപൂർണ്ണവുമായ വിഷ്വൽ മെറ്റീരിയൽ സൃഷ്ടിക്കാൻ ആളുകളെ അനുവദിക്കുക മാത്രമല്ല, സൃഷ്ടിച്ച ചിത്രങ്ങളുടെ ലളിതമായ ആവർത്തന പരിഷ്കരണവും സൂക്ഷ്മമായ നിയന്ത്രണവും അനുവദിക്കുന്നു.
പുതിയ ഒബ്ജക്റ്റുകൾ ചേർക്കാനും നിഴലുകളും പ്രതിഫലനങ്ങളും സൃഷ്ടിക്കാനും പ്രകടനം നടത്താനും സ്വാഭാവിക ഭാഷാ ടെക്സ്റ്റ് പ്രോംപ്റ്റുകൾ ഉപയോഗിച്ച് നിലവിലുള്ള ഫോട്ടോകൾ എഡിറ്റുചെയ്യാൻ GLIDE ഉപയോഗിക്കാം. ഇമേജ് പെയിന്റിംഗ്, ഇത്യാദി.
ഇതിന് അടിസ്ഥാന രേഖാചിത്രങ്ങളെ ഫോട്ടോറിയലിസ്റ്റിക് ഫോട്ടോഗ്രാഫുകളാക്കി മാറ്റാനും കഴിയും, കൂടാതെ സങ്കീർണ്ണമായ സാഹചര്യങ്ങളിൽ അസാധാരണമായ സീറോ-സാമ്പിൾ നിർമ്മാണ, നന്നാക്കൽ കഴിവുകളും ഇതിന് ഉണ്ട്.
സാധ്യതകളെ അടിസ്ഥാനമാക്കിയുള്ള ഡിഫ്യൂഷൻ മോഡലുകൾക്ക് ഉയർന്ന നിലവാരമുള്ള സിന്തറ്റിക് ചിത്രങ്ങൾ നിർമ്മിക്കാൻ കഴിയുമെന്ന് സമീപകാല ഗവേഷണങ്ങൾ തെളിയിച്ചിട്ടുണ്ട്, പ്രത്യേകിച്ചും വൈവിധ്യവും വിശ്വസ്തതയും സന്തുലിതമാക്കുന്ന ഒരു മാർഗ്ഗനിർദ്ദേശ സമീപനവുമായി കൂടിച്ചേർന്നാൽ.
OpenAI പ്രസിദ്ധീകരിച്ചത് എ ഗൈഡഡ് ഡിഫ്യൂഷൻ മോഡൽ മെയ് മാസത്തിൽ, ഒരു ക്ലാസിഫയറിന്റെ ലേബലുകളിൽ ഡിഫ്യൂഷൻ മോഡലുകൾ സോപാധികമായിരിക്കാൻ ഇത് അനുവദിക്കുന്നു. ടെക്സ്റ്റ് സോപാധിക ഇമേജ് സൃഷ്ടിക്കുന്നതിനുള്ള പ്രശ്നത്തിലേക്ക് ഗൈഡഡ് ഡിഫ്യൂഷൻ കൊണ്ടുവരുന്നതിലൂടെ ഈ വിജയത്തെ GLIDE മെച്ചപ്പെടുത്തുന്നു.
ഒരു ടെക്സ്റ്റ് എൻകോഡർ ഉപയോഗിച്ച് 3.5 ബില്യൺ പാരാമീറ്റർ GLIDE ഡിഫ്യൂഷൻ മോഡൽ പരിശീലിപ്പിച്ച ശേഷം, ഗവേഷകർ രണ്ട് ബദൽ ഗൈഡിംഗ് തന്ത്രങ്ങൾ പരീക്ഷിച്ചു: CLIP മാർഗ്ഗനിർദ്ദേശവും ക്ലാസിഫയർ-ഫ്രീ ഗൈഡൻസും.
CLIP എന്നത് ടെക്സ്റ്റിന്റെയും ചിത്രങ്ങളുടെയും സംയുക്ത പ്രാതിനിധ്യം പഠിക്കുന്നതിനുള്ള ഒരു സ്കേലബിൾ ടെക്നിക്കാണ്, അത് ഒരു ചിത്രം ഒരു അടിക്കുറിപ്പിന് എത്ര അടുത്താണ് എന്നതിനെ അടിസ്ഥാനമാക്കി സ്കോർ നൽകുന്നു.
മോഡലുകളെ "ഗൈഡ്" ചെയ്യുന്ന ഒരു CLIP മോഡൽ ഉപയോഗിച്ച് ക്ലാസിഫയറിന് പകരമായി ടീം ഈ തന്ത്രം അവരുടെ ഡിഫ്യൂഷൻ മോഡലുകളിൽ ഉപയോഗിച്ചു. അതേസമയം, ഒരു പ്രത്യേക ക്ലാസിഫയറിന്റെ പരിശീലനം ഉൾപ്പെടാത്ത ഡിഫ്യൂഷൻ മോഡലുകൾ സംവിധാനം ചെയ്യുന്നതിനുള്ള ഒരു തന്ത്രമാണ് ക്ലാസിഫയർ-ഫ്രീ ഗൈഡൻസ്.
ഗ്ലൈഡ് ആർക്കിടെക്ചർ
GLIDE ആർക്കിടെക്ചറിൽ മൂന്ന് ഘടകങ്ങൾ അടങ്ങിയിരിക്കുന്നു: 64 × 64 ഇമേജ് സൃഷ്ടിക്കാൻ പരിശീലിപ്പിച്ച ഒരു അബ്ലേറ്റഡ് ഡിഫ്യൂഷൻ മോഡൽ (ADM), ടെക്സ്റ്റ് പ്രോംപ്റ്റ് വഴി ഇമേജ് ജനറേഷനെ സ്വാധീനിക്കുന്ന ഒരു ടെക്സ്റ്റ് മോഡൽ (ട്രാൻസ്ഫോർമർ), ഞങ്ങളുടെ ചെറിയ 64 × 64 ആയി പരിവർത്തനം ചെയ്യുന്ന ഒരു അപ്സാംപ്ലിംഗ് മോഡൽ. കൂടുതൽ വ്യാഖ്യാനിക്കാവുന്ന 256 x 256 പിക്സലുകളിലേക്ക് ചിത്രങ്ങൾ.
ചിത്രം സൃഷ്ടിക്കുന്ന പ്രക്രിയയെ നിയന്ത്രിക്കുന്നതിന് ആദ്യത്തെ രണ്ട് ഘടകങ്ങൾ ഒരുമിച്ച് പ്രവർത്തിക്കുന്നു, അതുവഴി അത് ടെക്സ്റ്റ് പ്രോംപ്റ്റിനെ ഉചിതമായി പ്രതിഫലിപ്പിക്കുന്നു, രണ്ടാമത്തേത് നമ്മൾ സൃഷ്ടിക്കുന്ന ചിത്രങ്ങൾ എളുപ്പത്തിൽ മനസ്സിലാക്കാൻ ആവശ്യമാണ്. GLIDE പ്രോജക്റ്റ് പ്രചോദനം ഉൾക്കൊണ്ടത് എ 2021-ൽ പ്രസിദ്ധീകരിച്ച റിപ്പോർട്ട് ചിത്ര സാമ്പിൾ ഗുണമേന്മയുടെ കാര്യത്തിൽ ADM ടെക്നിക്കുകൾ നിലവിൽ ജനപ്രിയമായ, അത്യാധുനിക ജനറേറ്റീവ് മോഡലുകളെക്കാൾ മികച്ച പ്രകടനം കാഴ്ചവച്ചതായി അത് കാണിച്ചു.
ADM-നെ സംബന്ധിച്ചിടത്തോളം, GLIDE രചയിതാക്കൾ ധാരിവാളിന്റെയും നിക്കോളിന്റെയും അതേ ഇമേജ് നെറ്റ് 64 x 64 മോഡൽ ഉപയോഗിച്ചു, എന്നാൽ 512-ന് പകരം 64 ചാനലുകൾ ഉപയോഗിച്ചു. ഇതിന്റെ ഫലമായി ഇമേജ് നെറ്റ് മോഡലിന് ഏകദേശം 2.3 ബില്യൺ പാരാമീറ്ററുകൾ ഉണ്ട്.
GLIDE ടീം, ധാരിവാളിൽ നിന്നും നിക്കോളിൽ നിന്നും വ്യത്യസ്തമായി, ചിത്രം സൃഷ്ടിക്കുന്ന പ്രക്രിയയിൽ കൂടുതൽ നേരിട്ടുള്ള നിയന്ത്രണം വേണമെന്ന് ആഗ്രഹിച്ചു, അങ്ങനെ അവർ വിഷ്വൽ മോഡലിനെ ഒരു ശ്രദ്ധ-പ്രാപ്തമാക്കിയ ട്രാൻസ്ഫോർമറുമായി സംയോജിപ്പിച്ചു. ടെക്സ്റ്റ് ഇൻപുട്ട് പ്രോംപ്റ്റുകൾ പ്രോസസ്സ് ചെയ്യുന്നതിലൂടെ ചിത്രം സൃഷ്ടിക്കുന്ന പ്രോസസ്സ് ഔട്ട്പുട്ടിൽ GLIDE നിങ്ങൾക്ക് കുറച്ച് നിയന്ത്രണം നൽകുന്നു.
ഫോട്ടോകളുടേയും അടിക്കുറിപ്പുകളുടേയും (DALL-E പ്രോജക്റ്റിൽ ഉപയോഗിച്ചതിന് സമാനമായി) അനുയോജ്യമായ ഒരു വലിയ ഡാറ്റാസെറ്റിൽ ട്രാൻസ്ഫോർമർ മോഡലിനെ പരിശീലിപ്പിച്ചാണ് ഇത് സാധ്യമാക്കുന്നത്.
ടെക്സ്റ്റ് ആദ്യം കണ്ടീഷൻ ചെയ്യുന്നതിനായി കെ ടോക്കണുകളുടെ ഒരു ശ്രേണിയിലേക്ക് എൻകോഡ് ചെയ്തിരിക്കുന്നു. അതിനുശേഷം, ടോക്കണുകൾ ഒരു ട്രാൻസ്ഫോർമർ മോഡലിലേക്ക് ലോഡ് ചെയ്യുന്നു. ട്രാൻസ്ഫോമറിന്റെ ഔട്ട്പുട്ട് പിന്നീട് രണ്ട് തരത്തിൽ ഉപയോഗിക്കാം. ADM മോഡലിന്, ക്ലാസ് എംബെഡിംഗിന് പകരം അവസാന ടോക്കൺ എംബെഡിംഗ് ഉപയോഗിക്കുന്നു.
രണ്ടാമതായി, ടോക്കൺ എംബെഡിംഗുകളുടെ അവസാന പാളി - ഫീച്ചർ വെക്ടറുകളുടെ ഒരു പരമ്പര - എഡിഎം മോഡലിലെ ഓരോ ശ്രദ്ധാ ലെയറിനുമുള്ള അളവുകളിലേക്ക് സ്വതന്ത്രമായി പ്രൊജക്റ്റ് ചെയ്യുകയും ഓരോ ശ്രദ്ധാ സന്ദർഭത്തിലും സംയോജിപ്പിക്കുകയും ചെയ്യുന്നു.
വാസ്തവത്തിൽ, ഇത് ADM മോഡലിനെ ഇൻപുട്ട് പദങ്ങളെക്കുറിച്ചും അവയുമായി ബന്ധപ്പെട്ട ചിത്രങ്ങളെക്കുറിച്ചും പഠിച്ച ഗ്രാഹ്യത്തെ അടിസ്ഥാനമാക്കി, അതുല്യവും ഫോട്ടോറിയലിസ്റ്റിക് രീതിയിലുള്ളതുമായ സമാന ടെക്സ്റ്റ് ടോക്കണുകളുടെ പുതിയ കോമ്പിനേഷനുകളിൽ നിന്ന് ഒരു ചിത്രം നിർമ്മിക്കാൻ പ്രാപ്തമാക്കുന്നു. ഈ ടെക്സ്റ്റ്-എൻകോഡിംഗ് ട്രാൻസ്ഫോർമറിൽ 1.2 ബില്യൺ പാരാമീറ്ററുകൾ അടങ്ങിയിരിക്കുന്നു കൂടാതെ 24 വീതിയിൽ 2048 ശേഷിക്കുന്ന ബ്ലോക്കുകൾ ഉപയോഗിക്കുന്നു.
അവസാനമായി, അപ്സാംപ്ലർ ഡിഫ്യൂഷൻ മോഡലിൽ ഏകദേശം 1.5 ബില്ല്യൺ പാരാമീറ്ററുകൾ ഉൾപ്പെടുന്നു, അടിസ്ഥാന മോഡലുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ അതിന്റെ ടെക്സ്റ്റ് എൻകോഡർ 1024, 384 അടിസ്ഥാന ചാനലുകളുടെ വീതിയിൽ ചെറുതായതിനാൽ അടിസ്ഥാന മോഡലിൽ നിന്ന് വ്യത്യാസപ്പെടുന്നു. ഈ മോഡൽ, പേര് സൂചിപ്പിക്കുന്നത് പോലെ, യന്ത്രങ്ങൾക്കും മനുഷ്യർക്കും വ്യാഖ്യാനം മെച്ചപ്പെടുത്തുന്നതിന് സാമ്പിൾ നവീകരിക്കാൻ സഹായിക്കുന്നു.
ഡിഫ്യൂഷൻ മോഡൽ
ADM-ന്റെ സ്വന്തം പതിപ്പ് ("ഗൈഡഡ്" എന്നതിനുള്ള ADM-G) ഉപയോഗിച്ച് GLIDE ചിത്രങ്ങൾ സൃഷ്ടിക്കുന്നു. ഡിഫ്യൂഷൻ യു-നെറ്റ് മോഡലിന്റെ പരിഷ്ക്കരണമാണ് എഡിഎം-ജി മോഡൽ. VAE, GAN, ട്രാൻസ്ഫോർമറുകൾ എന്നിവ പോലെയുള്ള സാധാരണ ഇമേജ് സിന്തസിസ് ടെക്നിക്കുകളിൽ നിന്ന് ഒരു ഡിഫ്യൂഷൻ യു-നെറ്റ് മോഡൽ വളരെ വ്യത്യസ്തമാണ്.
ഡാറ്റയിലേക്ക് ക്രമരഹിതമായ ശബ്ദം ക്രമേണ കുത്തിവയ്ക്കാൻ അവർ മാർക്കോവ് ഡിഫ്യൂഷൻ ഘട്ടങ്ങളുടെ ഒരു ശൃംഖല നിർമ്മിക്കുന്നു, തുടർന്ന് ഡിഫ്യൂഷൻ പ്രക്രിയയെ വിപരീതമാക്കാനും ശബ്ദത്തിൽ നിന്ന് മാത്രം ആവശ്യമായ ഡാറ്റ സാമ്പിളുകൾ പുനർനിർമ്മിക്കാനും പഠിക്കുന്നു. ഇത് രണ്ട് ഘട്ടങ്ങളിലായാണ് പ്രവർത്തിക്കുന്നത്: ഫോർവേഡ്, റിവേഴ്സ് ഡിഫ്യൂഷൻ.
ഫോർവേഡ് ഡിഫ്യൂഷൻ രീതി, സാമ്പിളിന്റെ യഥാർത്ഥ വിതരണത്തിൽ നിന്നുള്ള ഒരു ഡാറ്റാ പോയിന്റ് നൽകിയിരിക്കുന്നത്, ഒരു പ്രീസെറ്റ് സീരീസ് ഘട്ടങ്ങളിലൂടെ സാമ്പിളിലേക്ക് ഒരു ചെറിയ അളവിലുള്ള ശബ്ദം ചേർക്കുന്നു. പടികൾ വലുപ്പത്തിൽ വർദ്ധിക്കുകയും അനന്തതയെ സമീപിക്കുകയും ചെയ്യുമ്പോൾ, സാമ്പിളിന് തിരിച്ചറിയാവുന്ന എല്ലാ സ്വഭാവസവിശേഷതകളും നഷ്ടപ്പെടുകയും സീക്വൻസ് ഒരു ഐസോട്രോപിക് ഗൗസിയൻ കർവ് പോലെയാകാൻ തുടങ്ങുകയും ചെയ്യുന്നു.
പിന്നോക്ക വ്യാപന സമയത്ത് ഘട്ടം, വ്യാപന മാതൃക ഒറിജിനൽ ഇൻപുട്ട് സാമ്പിൾ ഡിസ്ട്രിബ്യൂഷനോട് സാമ്യം പുലർത്താൻ ശ്രമിച്ചുകൊണ്ട് ചിത്രങ്ങളിൽ കൂട്ടിച്ചേർത്ത ശബ്ദത്തിന്റെ സ്വാധീനം റിവേഴ്സ് ചെയ്യാനും നിർമ്മിച്ച ഇമേജിനെ അതിന്റെ യഥാർത്ഥ രൂപത്തിലേക്ക് തിരികെ കൊണ്ടുവരാനും പഠിക്കുന്നു.
പൂർത്തിയാക്കിയ മോഡലിന് ഒരു യഥാർത്ഥ ഗൗസിയൻ നോയ്സ് ഇൻപുട്ടും ഒരു പ്രോംപ്റ്റും ഉപയോഗിച്ച് അങ്ങനെ ചെയ്യാൻ കഴിയും. ADM-G രീതി മുമ്പത്തേതിൽ നിന്ന് വ്യത്യസ്തമാണ്, അതിൽ ഒരു മോഡൽ, CLIP അല്ലെങ്കിൽ ഒരു കസ്റ്റമൈസ്ഡ് ട്രാൻസ്ഫോർമർ, ഇൻപുട്ട് ചെയ്ത ടെക്സ്റ്റ് പ്രോംപ്റ്റ് ടോക്കണുകൾ ഉപയോഗിച്ച് ബാക്ക്വേഡ് ഡിഫ്യൂഷൻ ഘട്ടത്തെ സ്വാധീനിക്കുന്നു.
ഗ്ലൈഡ് കഴിവുകൾ
1. ഇമേജ് ജനറേഷൻ
ഗ്ലൈഡിന്റെ ഏറ്റവും ജനപ്രിയവും വ്യാപകമായി ഉപയോഗിക്കുന്നതുമായ ഉപയോഗം ഒരുപക്ഷേ ഇമേജ് സിന്തസിസ് ആയിരിക്കും. ചിത്രങ്ങൾ എളിമയുള്ളതും മൃഗ/മനുഷ്യ രൂപങ്ങളുമായി GLIDE ബുദ്ധിമുട്ടുള്ളതും ആണെങ്കിലും, ഒറ്റ-ഷോട്ട് ഇമേജ് നിർമ്മാണത്തിനുള്ള സാധ്യത ഏതാണ്ട് അനന്തമാണ്.
ഇതിന് മൃഗങ്ങൾ, സെലിബ്രിറ്റികൾ, ലാൻഡ്സ്കേപ്പുകൾ, കെട്ടിടങ്ങൾ എന്നിവയും അതിലേറെയും ഫോട്ടോകൾ സൃഷ്ടിക്കാൻ കഴിയും, കൂടാതെ ഇത് വിവിധ കലാ ശൈലികളിലും ഫോട്ടോ-യഥാർത്ഥമായും ചെയ്യാൻ കഴിയും. ചുവടെയുള്ള സാമ്പിളുകളിൽ കാണുന്നത് പോലെ, വൈവിധ്യമാർന്ന വാചക ഇൻപുട്ടുകളെ ഒരു വിഷ്വൽ ഫോർമാറ്റിലേക്ക് വ്യാഖ്യാനിക്കാനും പൊരുത്തപ്പെടുത്താനും GLIDE-ന് കഴിയുമെന്ന് ഗവേഷകരുടെ രചയിതാക്കൾ അവകാശപ്പെടുന്നു.
2. ഗ്ലൈഡ് ഇൻപെയിൻറിംഗ്
GLIDE-ന്റെ ഓട്ടോമാറ്റിക് ഫോട്ടോ പെയിന്റിംഗ് ഏറ്റവും ആകർഷകമായ ഉപയോഗമാണ്. GLIDE-ന് നിലവിലുള്ള ഒരു ചിത്രം ഇൻപുട്ടായി എടുക്കാനും മാറ്റം വരുത്തേണ്ട ലൊക്കേഷനുകൾക്കായി ടെക്സ്റ്റ് പ്രോംപ്റ്റ് മനസ്സിൽ വെച്ച് പ്രോസസ്സ് ചെയ്യാനും തുടർന്ന് ആ ഭാഗങ്ങളിൽ എളുപ്പത്തിൽ സജീവമായ മാറ്റങ്ങൾ വരുത്താനും കഴിയും.
ഇതിലും മികച്ച ഫലങ്ങൾ ലഭിക്കുന്നതിന്, SDEdit പോലുള്ള ഒരു എഡിറ്റിംഗ് മോഡലുമായി സംയോജിച്ച് ഇത് ഉപയോഗിക്കേണ്ടതാണ്. ഭാവിയിൽ, ഇതുപോലുള്ള കഴിവുകൾ പ്രയോജനപ്പെടുത്തുന്ന ആപ്പുകൾ കോഡ് രഹിത ചിത്രം മാറ്റുന്ന സമീപനങ്ങൾ വികസിപ്പിക്കുന്നതിൽ നിർണായകമായേക്കാം.
തീരുമാനം
ഇപ്പോൾ ഞങ്ങൾ ഈ പ്രക്രിയയിലൂടെ കടന്നുപോയി, GLIDE എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നതിന്റെ അടിസ്ഥാനകാര്യങ്ങളും അതുപോലെ തന്നെ ചിത്രം സൃഷ്ടിക്കുന്നതിലും ഇമേജിൽ മാറ്റം വരുത്തുന്നതിലും അതിന്റെ കഴിവുകളുടെ വിശാലതയും നിങ്ങൾ മനസ്സിലാക്കണം.
നിങ്ങളുടെ അഭിപ്രായങ്ങൾ രേഖപ്പെടുത്തുക