Lilemong tsa morao tjena, mehlala ea thuto e tebileng e atlehile ho utloisisa puo ea batho.
Nahana ka merero e kang GPT-3, e seng e khona ho theha lingoliloeng le liwebsaete kaofela. GitHub e sa tsoa hlahisa GitHub Copilot, tšebeletso e fanang ka likaroloana tsa khoutu kaofela ka ho hlalosa feela mofuta oa khoutu oo u o hlokang.
Bafuputsi ba OpenAI, Facebook, le Google ba ntse ba sebetsa ka litsela tsa ho sebelisa thuto e tebileng ho sebetsana le mosebetsi o mong: ho ngola litšoantšo. Ba sebelisa pokello ea data e kholo e nang le likenyo tse limilione, ba hlahisitse tse ling makatsa diphetho.
Morao tjena, bafuputsi bana ba lekile ho etsa mosebetsi o fapaneng: ho etsa litšoantšo ho tsoa ho tlhaloso. Na joale hoa khoneha ho theha setšoantšo se secha ka botlalo ho tsoa ho tlhaloso?
Tataiso ena e tla hlahloba mefuta e 'meli e tsoetseng pele ea mongolo ho ea ho setšoantšo: OpenAI's DALL-E 2 le Google's Imagen AI. E 'ngoe le e' ngoe ea merero ena e hlahisitse mekhoa ea motheo e ka fetolang sechaba kamoo re se tsebang kateng.
Empa pele, a re utloisise seo re se bolelang ka tlhahiso ea mongolo ho ea ho setšoantšo.
Ho hlahisa mongolo ho ea ho setšoantšo ke eng?
Mehlala ea mongolo ho ea ho setšoantšo lumella lik'homphieutha ho etsa litšoantšo tse ncha le tse ikhethang ho latela litlhahiso. Hona joale batho ba ka fana ka tlhaloso ea mongolo ea setšoantšo seo ba batlang ho se hlahisa, 'me mohlala o tla leka ho etsa setšoantšo se lumellanang le tlhaloso eo ka hohle kamoo ho ka khonehang.
Mehlala ea ho ithuta ka mochini e ekelitse ts'ebeliso ea li-database tse kholo tse nang le lipara tsa litlhaloso tsa litšoantšo ho ntlafatsa ts'ebetso.
Boholo ba mongolo ho isa setšoantšong mehlala e sebedisa mmotlolo wa puo ya transformer ho hlalosa maikutlo. Mofuta ona oa mohlala ke a neural network e lekang ho ithuta moelelo le moelelo wa semantiki wa puo ya tlhaho.
Ka mor'a moo, mehlala ea lihlahisoa tse kang mefuta ea ho hasana le marang-rang a bahanyetsi a hlahisoang a sebelisetsoa ho kopanya litšoantšo.
DALLE 2 ke eng?
DALL-E2 ke mohlala oa k'homphieutha oa OpenAI o ileng oa lokolloa ka April 2022. Mohlala ona o ne o koetliselitsoe polokelongtshedimosetso ya ditshwantsho tse dimilione tse ngotsweng ho amahanya mantswe le dipolelwana le ditshwantsho.
Basebedisi ba ka thaepa poleloana e bonolo, e kang "katse e jang lasagna", 'me DALL-E 2 e tla hlahisa tlhaloso ea eona ea seo poleloana e lekang ho e hlalosa.
Ntle le ho etsa litšoantšo ho tloha qalong, DALL-E 2 e ka boela ea hlophisa litšoantšo tse teng. Mohlala o ka tlase, DALL-E o khonne ho hlahisa setšoantšo se fetotsoeng sa kamore e nang le bethe e ekelitsoeng.
DALL-E 2 ke e 'ngoe feela ea merero e mengata e tšoanang eo OpenAI e e lokolotseng lilemong tse 'maloa tse fetileng. GPT-3 ea OpenAI e ile ea fetoha litaba ha e ne e bonahala e hlahisa mongolo oa mefuta e fapaneng.
Hajoale, DALL-E 2 e ntse e le litekong tsa beta. Basebelisi ba nang le thahasello ba ka ingolisa bakeng sa bona lenane la ba letileng ebe o emela phihlello.
E Sebetsa Joang?
Leha liphetho tsa DALL-E 2 li khahla, u kanna oa ipotsa hore na tsohle li sebetsa joang.
DALL-E 2 ke mohlala oa ts'ebetsong ea mekhoa e mengata ea morero oa OpenAI's GPT-3.
Taba ea pele, molaetsa oa mongolo oa mosebelisi o kengoa ka har'a sesebelisoa sa mongolo se tsamaisang molaetsa sebakeng sa boemeli. DALL-E 2 e sebelisa mohlala o mong oa OpenAI o bitsoang CLIP ( Contrastive Language-Image Pre-Training) ho fumana boitsebiso ba semantic ho tsoa puong ea tlhaho.
Ka mor'a moo, mohlala o tsejoang e le oa pele e etsa 'mapa oa khouto ea mongolo ho khouto ea setšoantšo. Khouto ea setšoantšo sena e lokela ho hapa lintlha tsa semantic tse fumanoang mohatong oa khouto ea mongolo.
Ho theha setšoantšo sa 'nete, DALL-E 2 e sebelisa sesebelisoa sa setšoantšo ho hlahisa pono e sebelisang tlhahisoleseling ea semantic le lintlha tsa khouto ea litšoantšo. OpenAI e sebelisa mofuta o fetotsoeng oa TSIETSI mohlala ho etsa tlhahiso ea litšoantšo. GLIDE e itšetlehile ka a mokhoa oa ho hasanya ho bopa litšoantšo.
Keketso ea GLIDE mofuteng oa DALL-E 2 e nolofalelitse tlhahiso e eketsehileng ea lifoto. Kaha mofuta oa GLIDE o ikemiselitse kapa o ikemiselitse, mofuta oa DALL-E 2 o ka etsa liphapang habonolo ka ho tsamaisa mohlala khafetsa.
sheba mefokolo ea
Leha ho na le liphetho tse khahlang tsa mofuta oa DALL-E 2, e ntse e tobana le mefokolo e itseng.
Mongolo wa Mopeleto
Melaetsa e lekang ho etsa hore DALL-E 2 e hlahise mongolo e senola hore e na le bothata ba ho peleta mantsoe. Litsebi li nka hore sena e ka 'na eaba ke hobane tlhahisoleseding ea mopeleto ha se karolo ea pokello ea lintlha tsa koetliso.
Mabaka a Tlhaho
Bafuputsi ba hlokometse hore DALL-E 2 e ntse e na le bothata ba ho beha mabaka. Ka mantsoe a bonolo feela, mohlala o ka utloisisa likarolo tsa setšoantšo ha o ntse o na le bothata ba ho fumana likamano lipakeng tsa likarolo tsena.
Mohlala, haeba e fuoa kapele "khube e khubelu holim'a cube e putsoa", DALL-E e tla hlahisa cube e putsoa le cube e khubelu ka nepo empa e hlolehe ho li beha ka nepo. Mohlala o boetse o hlokometsoe hore o na le bothata ba likhothaletso tse hlokang hore ho ntšoe palo e itseng ea lintho.
Leeme ka har'a dataset
Haeba molaetsa o se na lintlha tse ling, DALL-E e shebiloe e tšoantša batho ba basoeu kapa ba Bophirimela le tikoloho. Leeme lena la boemeli le hlaha ka lebaka la bongata ba litšoantšo tsa Bophirimela tse bohareng ba dataset.
Moetso ona o boetse o hlokometsoe hore o latela maikutlo a fapaneng a tekano. Mohlala, ho thaepa "mosebetsi oa sefofane" hangata ho hlahisa litšoantšo tsa basali ba sebetsang sefofaneng.
Google Imagen AI ke eng?
Google Setšoantšo sa AI ke mohlala o ikemiseditseng ho bopa ditshwantsho tsa photorealistic ho tswa ho mongolo o kenngwang. Ho tšoana le DALL-E, mohlala o boetse o sebelisa mekhoa ea lipuo tse fetoletsoeng ho utloisisa sengoloa le ho itšetleha ka tšebeliso ea mefuta ea ho hasanya ho etsa litšoantšo tsa boleng bo holimo.
Haufi le Imagen, Google e boetse e lokolotse benchmark bakeng sa mefuta ea mongolo ho ea ho setšoantšo e bitsoang DrawBench. Ba sebelisa DrawBench, ba ile ba khona ho bona hore batho ba khethang tlhahiso ea Imagen ho feta mefuta e meng e kenyelletsang DALL-E 2.
E Sebetsa Joang?
Joalo ka DALL-E, Imagen e qala ka ho fetolela molaetsa oa mosebelisi hore e be mongolo o kentsoeng ka sehokelo sa mongolo se hatselitsoeng.
Imagen e sebelisa mofuta oa phallo e ithutang mokhoa oa ho fetolela mofuta oa lerata hore e be litšoantšo. Tlhahiso ea pele ea litšoantšo tsena ke qeto e tlaase 'me hamorao e fetisetsoa mofuteng o mong o tsejoang e le super-resolution diffusion model ho eketsa qeto ea setšoantšo sa ho qetela. Moetso oa pele oa phallo o hlahisa setšoantšo sa 64 × 64 pixel 'me hamorao o phatlohile ho fihlela setšoantšong sa 1024 × 1024 se phahameng.
Ho ipapisitsoe le liphuputso tsa sehlopha sa Imagen, mefuta e meholo ea puo e hatselitsoeng e koetlisitsoeng feela ka data ea mongolo e ntse e le li-khouto tsa mongolo tse sebetsang hantle haholo bakeng sa tlhahiso ea mongolo ho ea ho setšoantšo.
Boithuto bona bo boetse bo hlahisa mohopolo oa thresholding e matla. Mokhoa ona o etsa hore litšoantšo li hlahe e le photorealistic haholoanyane ka ho eketsa boima ba tataiso ha u hlahisa setšoantšo.
Ts'ebetso ea DALLE 2 vs Imagen
Liphetho tsa pele ho tsoa ho benchmark ea Google li bonts'a hore batho ba arabelitsoeng ba rata litšoantšo tse hlahisoang ke Imagen ho feta DALL-E 2 le mefuta e meng ea mongolo ho ea ho setšoantšo joalo ka Latent Diffusion le VQGAN+CLIP.
Sephetho se tsoang sehlopheng sa Imagen se boetse se bonts'itse hore mohlala oa bona o sebetsa betere ho mongolo oa mopeleto, bofokoli bo tsebahalang ba mofuta oa DALL-E 2.
Leha ho le joalo, kaha Google ha e so lokolle mohlala ho sechaba, ho ntse ho tla bonahala hore na litekanyetso tsa Google li nepahetse hakae.
fihlela qeto e
Ho phahama ha mefuta ea litšoantšo ho ea ho setšoantšo hoa phehisana khang hobane mefuta ena e se e loketse tšebeliso e sa lokang.
Theknoloji e ka lebisa ho thehoeng ha litaba tse hlakileng kapa e le sesebelisoa sa disinformation. Bafuputsi ba Google le OpenAI ba tseba sena, e leng lebaka le leng le etsang hore mahlale ana a ntse a sa fumanehe ho motho e mong le e mong.
Mehlala ea mongolo ho ea ho setšoantšo le eona e na le litlamorao tse kholo tsa moruo. Na liporofeshene tse kang limotlelara, lifoto, le baetsi ba litšoantšo li tla ameha haeba mefuta e joalo ka DALL-E e ka ba ea mantlha?
Hajoale, mehlala ena e ntse e na le mefokolo. Ho tšoara setšoantšo leha e le sefe se entsoeng ke AI ho se shebisisa ho tla senola ho se phethahale ha sona. Ka bobeli ba OpenAI le Google ba hlōlisana bakeng sa mehlala e sebetsang ka ho fetisisa, e ka 'na ea e-ba taba ea nako pele ho hlahisoa sehlahisoa se phethahetseng: setšoantšo se ke keng sa khetholloa ho ntho ea sebele.
U nahana hore ho tla etsahala'ng ha thekenoloji e fihla hōle hakaalo?
Leave a Reply