Inhaltsverzeichnis
Einführung in die Methode
Heim Technologie-Peripheriegeräte KI Mit nur 3 Beispielen und einem Satz kann KI fotorealistische Bilder anpassen. Google spielt mit einem völlig neuen Diffusionsmodell.

Mit nur 3 Beispielen und einem Satz kann KI fotorealistische Bilder anpassen. Google spielt mit einem völlig neuen Diffusionsmodell.

Apr 12, 2023 pm 03:46 PM
ai 模型

In letzter Zeit sind Text-zu-Bild-Modelle zu einer beliebten Forschungsrichtung geworden. Unabhängig davon, ob es sich um große Naturlandschaften oder neuartige Szenenbilder handelt, können sie mithilfe einfacher Textbeschreibungen automatisch generiert werden.

Unter anderem ist das Rendern wilder und imaginärer Szenen eine herausfordernde Aufgabe, bei der Instanzen bestimmter Themen (Objekte, Tiere usw.) in neuen Szenen so zusammengesetzt werden müssen, dass sie sich natürlich und nahtlos in die Szene einfügen.

Einige groß angelegte Text-zu-Bild-Modelle erreichen eine qualitativ hochwertige und vielfältige Bildsynthese basierend auf in natürlicher Sprache geschriebenen Textansagen. Der Hauptvorteil dieser Modelle sind die starken semantischen Priorisierungen, die aus einer großen Anzahl von Bild-Text-Beschreibungspaaren gelernt werden, beispielsweise die Zuordnung des Wortes „Hund“ zu verschiedenen Instanzen von Hunden, die in unterschiedlichen Posen im Bild erscheinen können.

Während die Synthesefähigkeiten dieser Modelle beispiellos sind, fehlt ihnen die Fähigkeit, ein bestimmtes Referenzmotiv zu imitieren und neue Bilder mit demselben Motiv, aber unterschiedlichen Instanzen in unterschiedlichen Szenen zu synthetisieren. Es ist ersichtlich, dass die Ausdrucksfähigkeit des Ausgabebereichs vorhandener Modelle begrenzt ist.

Mit nur 3 Beispielen und einem Satz kann KI fotorealistische Bilder anpassen. Google spielt mit einem völlig neuen Diffusionsmodell.

Um dieses Problem zu lösen, haben Forscher von Google und der Boston University ein „personalisiertes“ Text-zu-Bild-Diffusionsmodell DreamBooth vorgeschlagen, das sich an die spezifischen Bilderzeugungsbedürfnisse der Benutzer anpassen kann.

Papieradresse: https://arxiv.org/pdf/2208.12242.pdf

Projektadresse: https://github.com/XavierXiao/Dreambooth-Stable-Diffusion

Ziel der Forschung ist es, das sprachlich-visuelle Wörterbuch des Modells so zu erweitern, dass es neues Vokabular an spezifische Themen bindet, die der Benutzer generieren möchte. Sobald das neue Wörterbuch in das Modell eingebettet ist, kann es diese Wörter verwenden, um neuartige und realistische Bilder zu bestimmten Themen zu synthetisieren und sie gleichzeitig in verschiedenen Szenen zu kontextualisieren, wobei wichtige Erkennungsmerkmale erhalten bleiben, wie in Abbildung 1 unten dargestellt.

Mit nur 3 Beispielen und einem Satz kann KI fotorealistische Bilder anpassen. Google spielt mit einem völlig neuen Diffusionsmodell.

Konkret wurden im Rahmen der Studie Bilder eines bestimmten Subjekts in den Ausgabebereich des Modells implantiert, sodass sie mithilfe einer eindeutigen Kennung synthetisiert werden konnten. Zu diesem Zweck schlägt die Studie eine Methode zur Darstellung eines bestimmten Themas mit einem seltenen Token-Identifikator vor und optimiert ein vorab trainiertes, diffusionsbasiertes Text-zu-Bild-Framework, das in zwei Schritten arbeitet und aus Textbildern eine niedrige Auflösung generiert , und wenden Sie dann ein Super-Resolution (SR)-Diffusionsmodell an.

Zunächst verfeinerte die Studie ein Text-zu-Bild-Modell mit niedriger Auflösung mithilfe von Eingabebildern und Texthinweisen, die eindeutige Identifikatoren enthielten (mit Subjektklassennamen wie „A [V] Hund“). Um zu verhindern, dass das Modell Klassennamen zu stark an bestimmte Instanzen anpasst und semantische Abweichungen verursacht, schlägt diese Studie einen selbstgenerierten, klassenspezifischen vorherigen Erhaltungsverlust vor, der die vorherige Semantik der im Modell eingebetteten Klassen ausnutzt, um das Modell zur Generierung verschiedener Instanzen von zu ermutigen die gleiche Klasse unter einem bestimmten Thema.

Im zweiten Schritt verwendet die Studie niedrigaufgelöste und hochauflösende Versionen des Eingabebildes, um die Superauflösungskomponente zu verfeinern. Dadurch kann das Modell kleine, aber wichtige Details im Motiv der Szene mit hoher Genauigkeit beibehalten.

Werfen wir einen Blick auf die spezifischen Methoden, die in dieser Studie vorgeschlagen werden.

Einführung in die Methode

Anhand von 3-5 aufgenommenen Bildern ohne Textbeschreibungen zielt dieser Artikel darauf ab, neue Bilder mit hoher Detailtreue und durch Texthinweise gesteuerten Änderungen zu generieren. Die Studie erlegt den Eingabebildern keine Beschränkungen auf und die Motivbilder können unterschiedliche Kontexte haben. Die Methode ist in Abbildung 3 dargestellt. Das Ausgabebild kann das Originalbild ändern, z. B. die Position des Motivs, die Eigenschaften des Motivs wie Farbe und Form ändern und die Haltung, den Ausdruck, das Material und andere semantische Modifikationen des Motivs modifizieren.

Genauer gesagt nimmt diese Methode als Eingabe einige Bilder (normalerweise 3–5 Bilder) eines Motivs (z. B. eines bestimmten Hundes) und den entsprechenden Klassennamen (z. B. die Hundekategorie) und gibt ein fein abgestimmtes Ergebnis zurück / Personalisiertes Text-zu-Bild-Modell, das eine eindeutige Kennung kodiert, die sich auf ein Thema bezieht. Während des Schlussfolgerns können dann eindeutige Bezeichner in verschiedene Sätze eingebettet werden, um Themen in unterschiedlichen Kontexten zu synthetisieren.

Mit nur 3 Beispielen und einem Satz kann KI fotorealistische Bilder anpassen. Google spielt mit einem völlig neuen Diffusionsmodell.

Die erste Aufgabe der Forschung besteht darin, Themeninstanzen in die Ausgabedomäne des Modells zu implantieren und die Themen mit eindeutigen Bezeichnern zu verknüpfen. In dieser Studie werden Methoden zum Entwerfen von Identifikatoren sowie eine neue Methode zur Überwachung des Modellfeinabstimmungsprozesses vorgeschlagen.

Um das Problem der Bildüberanpassung und der Sprachdrift zu lösen, schlägt diese Studie auch einen Verlust (Prior-Preservation Loss) vor, um die Modellüberanpassung zu lindern, indem das Diffusionsmodell dazu ermutigt wird, kontinuierlich verschiedene Instanzen derselben Klasse wie das Subjekt zu generieren Probleme wie Integration und Sprachdrift.

Um Bilddetails zu erhalten, ergab die Studie, dass die Superauflösungskomponente (SR) des Modells feinabgestimmt werden sollte. Dieser Artikel wurde auf der Grundlage des vorab trainierten Imagen-Modells fertiggestellt. Der spezifische Prozess ist in Abbildung 4 dargestellt. Bei 3–5 Bildern desselben Themas wird das Text-zu-Bild-Diffusionsmodell dann in zwei Schritten verfeinert: Thema

Mit nur 3 Beispielen und einem Satz kann KI fotorealistische Bilder anpassen. Google spielt mit einem völlig neuen Diffusionsmodell.

Die Studie kennzeichnet alle Eingabebilder eines Subjekts als „ein [Bezeichner] [Klassennomen]“, wobei [Identifikator] ein eindeutiger Identifikator ist, der mit dem Subjekt verknüpft ist, und [Klassennomen] ein grober Klassendeskriptor von ist das Thema (z. B. Katze, Hunde, Uhren usw.). Diese Studie verwendet speziell Klassendeskriptoren in Sätzen, um Klassenprioritäten mit Themen zu verknüpfen.

Effektanzeige

Das Folgende ist eine stabile Diffusionsimplementierung von Dreambooth (siehe Projektlink). Qualitative Ergebnisse: Die Trainingsbilder stammen aus der Bibliothek „Textual Inversion“:

Nach Abschluss des Trainings lauten die vom Modell generierten Containerfotos unter der Eingabeaufforderung „Foto eines SKS-Containers“ wie folgt:

Mit nur 3 Beispielen und einem Satz kann KI fotorealistische Bilder anpassen. Google spielt mit einem völlig neuen Diffusionsmodell.

Fügen Sie bei der Eingabeaufforderung eine Position „Foto eines Sks-Containers am Strand“ hinzu, und der Container erscheint am Strand.

Mit nur 3 Beispielen und einem Satz kann KI fotorealistische Bilder anpassen. Google spielt mit einem völlig neuen Diffusionsmodell.

Der grüne Container hat eine zu einfache Farbe Wenn Sie etwas Rot hinzufügen möchten, geben Sie die Eingabeaufforderung „Foto eines roten SKS-Behälters“ ein. Sie können es erhalten:

Mit nur 3 Beispielen und einem Satz kann KI fotorealistische Bilder anpassen. Google spielt mit einem völlig neuen Diffusionsmodell.

Im Folgenden sind einige Ergebnisse aufgeführt, die in der Arbeit gezeigt werden. Erstellen Sie künstlerische Bilder über Hunde in verschiedenen Künstlerstilen:

Mit nur 3 Beispielen und einem Satz kann KI fotorealistische Bilder anpassen. Google spielt mit einem völlig neuen Diffusionsmodell.

Diese Forschung kann auch verschiedene Ausdrücke synthetisieren, die nicht im Eingabebild erscheinen, was die Extrapolationsfähigkeit des Modells demonstriert:

Mit nur 3 Beispielen und einem Satz kann KI fotorealistische Bilder anpassen. Google spielt mit einem völlig neuen Diffusionsmodell.

Weitere Einzelheiten finden Sie im Originalpapier.

Das obige ist der detaillierte Inhalt vonMit nur 3 Beispielen und einem Satz kann KI fotorealistische Bilder anpassen. Google spielt mit einem völlig neuen Diffusionsmodell.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Erklärung dieser Website
Der Inhalt dieses Artikels wird freiwillig von Internetnutzern beigesteuert und das Urheberrecht liegt beim ursprünglichen Autor. Diese Website übernimmt keine entsprechende rechtliche Verantwortung. Wenn Sie Inhalte finden, bei denen der Verdacht eines Plagiats oder einer Rechtsverletzung besteht, wenden Sie sich bitte an admin@php.cn

Heiße KI -Werkzeuge

Undresser.AI Undress

Undresser.AI Undress

KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover

AI Clothes Remover

Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool

Undress AI Tool

Ausziehbilder kostenlos

Clothoff.io

Clothoff.io

KI-Kleiderentferner

AI Hentai Generator

AI Hentai Generator

Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

R.E.P.O. Energiekristalle erklärten und was sie tun (gelber Kristall)
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Beste grafische Einstellungen
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. So reparieren Sie Audio, wenn Sie niemanden hören können
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Wie man alles in Myrise freischaltet
3 Wochen vor By 尊渡假赌尊渡假赌尊渡假赌

Heiße Werkzeuge

Notepad++7.3.1

Notepad++7.3.1

Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version

SublimeText3 chinesische Version

Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1

Senden Sie Studio 13.0.1

Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6

Dreamweaver CS6

Visuelle Webentwicklungstools

SublimeText3 Mac-Version

SublimeText3 Mac-Version

Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Welche Methode wird verwendet, um Strings in Objekte in Vue.js umzuwandeln? Welche Methode wird verwendet, um Strings in Objekte in Vue.js umzuwandeln? Apr 07, 2025 pm 09:39 PM

Bei der Konvertierung von Zeichenfolgen in Objekte in Vue.js wird JSON.Parse () für Standard -JSON -Zeichenfolgen bevorzugt. Bei nicht standardmäßigen JSON-Zeichenfolgen kann die Zeichenfolge durch Verwendung regelmäßiger Ausdrücke verarbeitet und Methoden gemäß dem Format oder dekodierten URL-kodiert reduziert werden. Wählen Sie die entsprechende Methode gemäß dem String -Format aus und achten Sie auf Sicherheits- und Codierungsprobleme, um Fehler zu vermeiden.

VUE.JS Wie kann man ein Array von String -Typ in ein Array von Objekten umwandeln? VUE.JS Wie kann man ein Array von String -Typ in ein Array von Objekten umwandeln? Apr 07, 2025 pm 09:36 PM

Zusammenfassung: Es gibt die folgenden Methoden zum Umwandeln von VUE.JS -String -Arrays in Objektarrays: Grundlegende Methode: Verwenden Sie die Kartenfunktion, um regelmäßige formatierte Daten zu entsprechen. Erweitertes Gameplay: Die Verwendung regulärer Ausdrücke kann komplexe Formate ausführen, müssen jedoch sorgfältig geschrieben und berücksichtigt werden. Leistungsoptimierung: In Betracht ziehen die große Datenmenge, asynchrone Operationen oder effiziente Datenverarbeitungsbibliotheken können verwendet werden. Best Practice: Clear Code -Stil, verwenden Sie sinnvolle variable Namen und Kommentare, um den Code präzise zu halten.

Wie man MySQL löst, kann nicht gestartet werden Wie man MySQL löst, kann nicht gestartet werden Apr 08, 2025 pm 02:21 PM

Es gibt viele Gründe, warum MySQL Startup fehlschlägt und durch Überprüfung des Fehlerprotokolls diagnostiziert werden kann. Zu den allgemeinen Ursachen gehören Portkonflikte (prüfen Portbelegung und Änderung der Konfiguration), Berechtigungsprobleme (Überprüfen Sie den Dienst Ausführen von Benutzerberechtigungen), Konfigurationsdateifehler (Überprüfung der Parametereinstellungen), Datenverzeichniskorruption (Wiederherstellung von Daten oder Wiederaufbautabellenraum), InnoDB-Tabellenraumprobleme (prüfen IBDATA1-Dateien), Plug-in-Ladeversagen (Überprüfen Sie Fehlerprotokolle). Wenn Sie Probleme lösen, sollten Sie sie anhand des Fehlerprotokolls analysieren, die Hauptursache des Problems finden und die Gewohnheit entwickeln, Daten regelmäßig zu unterstützen, um Probleme zu verhindern und zu lösen.

So verwenden Sie MySQL nach der Installation So verwenden Sie MySQL nach der Installation Apr 08, 2025 am 11:48 AM

Der Artikel führt den Betrieb der MySQL -Datenbank vor. Zunächst müssen Sie einen MySQL -Client wie MySQLworkBench oder Befehlszeilen -Client installieren. 1. Verwenden Sie den Befehl mySQL-uroot-P, um eine Verbindung zum Server herzustellen und sich mit dem Stammkonto-Passwort anzumelden. 2. Verwenden Sie die Erstellung von Createdatabase, um eine Datenbank zu erstellen, und verwenden Sie eine Datenbank aus. 3.. Verwenden Sie CreateTable, um eine Tabelle zu erstellen, Felder und Datentypen zu definieren. 4. Verwenden Sie InsertInto, um Daten einzulegen, Daten abzufragen, Daten nach Aktualisierung zu aktualisieren und Daten nach Löschen zu löschen. Nur indem Sie diese Schritte beherrschen, lernen, mit gemeinsamen Problemen umzugehen und die Datenbankleistung zu optimieren, können Sie MySQL effizient verwenden.

Laravels Geospatial: Optimierung interaktiver Karten und großen Datenmengen Laravels Geospatial: Optimierung interaktiver Karten und großen Datenmengen Apr 08, 2025 pm 12:24 PM

Verarbeiten Sie 7 Millionen Aufzeichnungen effizient und erstellen Sie interaktive Karten mit Geospatial -Technologie. In diesem Artikel wird untersucht, wie über 7 Millionen Datensätze mithilfe von Laravel und MySQL effizient verarbeitet und in interaktive Kartenvisualisierungen umgewandelt werden können. Erstes Herausforderungsprojektanforderungen: Mit 7 Millionen Datensätzen in der MySQL -Datenbank wertvolle Erkenntnisse extrahieren. Viele Menschen erwägen zunächst Programmiersprachen, aber ignorieren die Datenbank selbst: Kann sie den Anforderungen erfüllen? Ist Datenmigration oder strukturelle Anpassung erforderlich? Kann MySQL einer so großen Datenbelastung standhalten? Voranalyse: Schlüsselfilter und Eigenschaften müssen identifiziert werden. Nach der Analyse wurde festgestellt, dass nur wenige Attribute mit der Lösung zusammenhängen. Wir haben die Machbarkeit des Filters überprüft und einige Einschränkungen festgelegt, um die Suche zu optimieren. Kartensuche basierend auf der Stadt

So stellen Sie die Zeitüberschreitung von Vue Axios fest So stellen Sie die Zeitüberschreitung von Vue Axios fest Apr 07, 2025 pm 10:03 PM

Um die Zeitüberschreitung für Vue Axios festzulegen, können wir eine Axios -Instanz erstellen und die Zeitleitungsoption angeben: in globalen Einstellungen: vue.Prototyp. $ Axios = axios.create ({Timeout: 5000}); In einer einzigen Anfrage: this. $ axios.get ('/api/user', {timeout: 10000}).

Remote Senior Backend Engineers (Plattformen) benötigen Kreise Remote Senior Backend Engineers (Plattformen) benötigen Kreise Apr 08, 2025 pm 12:27 PM

Remote Senior Backend Engineer Job Vacant Company: Circle Standort: Remote-Büro-Jobtyp: Vollzeitgehalt: 130.000 bis 140.000 US-Dollar Stellenbeschreibung Nehmen Sie an der Forschung und Entwicklung von Mobilfunkanwendungen und öffentlichen API-bezogenen Funktionen, die den gesamten Lebenszyklus der Softwareentwicklung abdecken. Die Hauptaufgaben erledigen die Entwicklungsarbeit unabhängig von RubyonRails und arbeiten mit dem Front-End-Team von React/Redux/Relay zusammen. Erstellen Sie die Kernfunktionalität und -verbesserungen für Webanwendungen und arbeiten Sie eng mit Designer und Führung während des gesamten funktionalen Designprozesses zusammen. Fördern Sie positive Entwicklungsprozesse und priorisieren Sie die Iterationsgeschwindigkeit. Erfordert mehr als 6 Jahre komplexes Backend für Webanwendungen

So optimieren Sie die Datenbankleistung nach der MySQL -Installation So optimieren Sie die Datenbankleistung nach der MySQL -Installation Apr 08, 2025 am 11:36 AM

Die MySQL -Leistungsoptimierung muss von drei Aspekten beginnen: Installationskonfiguration, Indexierung und Abfrageoptimierung, Überwachung und Abstimmung. 1. Nach der Installation müssen Sie die my.cnf -Datei entsprechend der Serverkonfiguration anpassen, z. 2. Erstellen Sie einen geeigneten Index, um übermäßige Indizes zu vermeiden und Abfrageanweisungen zu optimieren, z. B. den Befehl Erklärung zur Analyse des Ausführungsplans; 3. Verwenden Sie das eigene Überwachungstool von MySQL (ShowProcessList, Showstatus), um die Datenbankgesundheit zu überwachen und die Datenbank regelmäßig zu sichern und zu organisieren. Nur durch kontinuierliche Optimierung dieser Schritte kann die Leistung der MySQL -Datenbank verbessert werden.

See all articles