


Apprendre un modèle de diffusion à partir d'une seule image naturelle est mieux que GAN, SinDiffusion réalise un nouveau SOTA
La technologie consistant à générer des images à partir d'une seule image naturelle est largement utilisée et a donc reçu de plus en plus d'attention. Cette recherche vise à apprendre un modèle génératif inconditionnel à partir d'une seule image naturelle pour générer différents échantillons avec un contenu visuel similaire en capturant les statistiques internes des patchs. Une fois formé, le modèle peut non seulement générer des images de haute qualité indépendantes de la résolution, mais peut également être facilement adapté à diverses applications, telles que l'édition d'images, l'harmonisation d'images et la conversion entre images.
SinGAN peut répondre aux exigences ci-dessus. Cette méthode peut construire plusieurs échelles d'images naturelles et former une série de GAN pour apprendre les informations statistiques internes des correctifs dans une seule image. L'idée principale de SinGAN est de former plusieurs modèles à des échelles progressivement croissantes. Cependant, les images générées par ces méthodes peuvent être insatisfaisantes car elles souffrent d'erreurs de détails à petite échelle, entraînant des artefacts évidents dans les images générées (voir Figure 2).
Dans cet article, des chercheurs de l'Université des sciences et technologies de Chine, de Microsoft Research Asia et d'autres institutions ont proposé un nouveau cadre - un modèle de diffusion d'image unique (SinDiffusion, Single-image Diffusion) est utilisé pour apprendre à partir d’une seule image naturelle, basée sur le modèle probabiliste de diffusion de débruitage (DDPM). Bien que le modèle de diffusion soit un processus de génération en plusieurs étapes, il ne pose pas de problème d'erreurs cumulatives. La raison en est que le modèle de diffusion a une formule mathématique systématique et que les erreurs dans les étapes intermédiaires peuvent être considérées comme des interférences et peuvent être améliorées au cours du processus de diffusion.
Une autre conception fondamentale de SinDiffusion est de limiter le champ réceptif du modèle de diffusion. Cette étude a examiné la structure de réseau couramment utilisée dans les modèles de diffusion précédents [7] et a constaté qu'elle présente des performances plus élevées et une structure plus profonde. Cependant, le champ de réception de cette structure de réseau est suffisamment grand pour couvrir l'intégralité de l'image, ce qui amène le modèle à avoir tendance à s'appuyer sur des images d'entraînement en mémoire pour générer des images exactement identiques aux images d'entraînement. Afin d'encourager le modèle à apprendre les statistiques des patchs au lieu de mémoriser l'image entière, la recherche a soigneusement conçu la structure du réseau et introduit un réseau de débruitage par patch. Par rapport à la structure de diffusion précédente, SinDiffusion réduit le nombre de sous-échantillonnage et le nombre de ResBlocks dans la structure de réseau de débruitage d'origine. De cette manière, SinDiffusion peut apprendre d’une seule image naturelle et générer des images diverses et de haute qualité (voir Figure 2).
- Adresse papier : https://arxiv.org/pdf/2211.12445.pdf
- Adresse du projet : https://github.com/WeilunWang/SinDiffusion
L'avantage de SinDiffusion est qu'il peut être utilisé de manière flexible dans divers scénarios (voir Figure 1). Il peut être utilisé dans diverses applications sans aucune reconversion du modèle. Dans SinGAN, les applications en aval sont principalement mises en œuvre en saisissant des conditions dans des GAN pré-entraînés à différentes échelles. Par conséquent, l’application de SinGAN est limitée à celles données dans des conditions spatialement alignées. En revanche, SinDiffusion peut être utilisé dans un plus large éventail d’applications en concevant la procédure d’échantillonnage. SinDiffusion apprend à prédire le gradient d'une distribution de données grâce à un entraînement inconditionnel. En supposant qu'il existe une fonction de notation décrivant la corrélation entre les images générées et les conditions (c'est-à-dire la distance L−p ou un réseau pré-entraîné tel que CLIP), cette étude utilise le gradient du score de corrélation pour guider le processus d'échantillonnage de SinDiffusion. De cette manière, SinDiffusion est capable de générer des images qui correspondent à la fois à la distribution des données et aux conditions données.
L'étude démontre les avantages du cadre proposé en menant des expériences sur une variété d'images naturelles, notamment des paysages et des œuvres d'art célèbres. Les résultats quantitatifs et qualitatifs confirment que SinDiffusion peut produire des résultats diversifiés et de haute fidélité, tandis que les applications en aval démontrent davantage l'utilité et la flexibilité de SinDiffusion.
Méthode
Différent de la conception de croissance progressive des études précédentes, SinDiffusion utilise un seul modèle de débruitage à une seule échelle pour l'entraînement, empêchant ainsi l'accumulation d'erreurs. De plus, cette étude a révélé que le champ récepteur au niveau des patchs du réseau de diffusion joue un rôle important dans la capture de la distribution interne des patchs et a conçu une nouvelle structure de réseau de débruitage. Sur la base de ces deux conceptions principales, SinDiffusion génère des images diverses et de haute qualité à partir d’une seule image naturelle.
Le reste de cette section est organisé comme suit : nous passons d'abord en revue SinGAN et montrons la motivation de SinDiffusion, puis introduisons la conception structurelle de SinDiffusion.
Tout d’abord, passons brièvement en revue SinGAN. La figure 3 (a) montre le processus de génération de SinGAN. Afin de générer différentes images à partir d'une seule image, une conception clé de SinGAN consiste à construire une pyramide d'images et à augmenter progressivement la résolution des images générées.
La figure 3(b) montre le nouveau cadre de SinDiffusion. Contrairement à SinGAN, SinDiffusion effectue un processus de génération en plusieurs étapes en utilisant un seul réseau de débruitage à une seule échelle. Bien que SinDiffusion utilise également le même processus de génération en plusieurs étapes que SinGAN, les résultats générés sont de haute qualité. En effet, le modèle de diffusion est basé sur la dérivation systématique d'équations mathématiques et les erreurs générées par les étapes intermédiaires sont affinées à plusieurs reprises en bruit au cours du processus de diffusion.
SinDiffusion
Cet article étudie la relation entre la diversité des générations et le champ réceptif du réseau de débruitage - la modification de la structure du réseau de débruitage peut changer le champ de réception, et quatre types de Ces modèles sont formés sur une seule image naturelle en utilisant des structures de réseau avec des champs de réception différents mais des performances comparables. La figure 4 montre les résultats générés par le modèle sous différents champs récepteurs. On peut observer que plus le champ récepteur est petit, plus les résultats générés par SinDiffusion sont diversifiés et vice versa. Cependant, des recherches ont montré que les modèles de champ récepteur extrêmement petits ne peuvent pas maintenir la structure raisonnable de l'image. Par conséquent, un champ récepteur approprié est important et nécessaire pour obtenir des statistiques de correctifs raisonnables.
Cette recherche redessine le modèle de diffusion couramment utilisé et introduit un réseau de débruitage par patch pour la génération d'images uniques. La figure 5 est un aperçu du réseau de débruitage par patch dans SinDiffusion et montre les principales différences par rapport aux réseaux de débruitage précédents. Premièrement, la profondeur du réseau de débruitage est réduite en réduisant les opérations de sous-échantillonnage et de suréchantillonnage, élargissant ainsi considérablement le champ de réception. Dans le même temps, les couches d'attention profondes initialement utilisées dans le réseau de débruitage sont naturellement supprimées, faisant de SinDiffusion un réseau entièrement convolutif adapté à la génération à n'importe quelle résolution. Deuxièmement, le champ de réception de SinDiffusion est encore limité en réduisant le resblocage du temps intégré dans chaque résolution. Cette méthode est utilisée pour obtenir un réseau de débruitage par patch avec des champs récepteurs appropriés, obtenant ainsi des résultats réalistes et diversifiés.
Expérience
Les résultats qualitatifs des images générées aléatoirement par SinDiffusion sont présentés dans la figure 6.
On constate qu'à différentes résolutions, SinDiffusion peut générer des images réelles avec des motifs similaires aux images d'entraînement.
De plus, cet article étudie également SinDiffusion sur la façon de générer des images haute résolution à partir d'une seule image. La figure 13 montre les images de formation et les résultats générés. L'image de formation est une image de paysage d'une résolution de 486 × 741 contenant des composants riches tels que des nuages, des montagnes, de l'herbe, des fleurs et un lac. Pour permettre la génération d'images haute résolution, SinDiffusion a été mis à niveau vers une version améliorée avec des champs de réception et des capacités réseau plus larges. La version améliorée de SinDiffusion génère une image à défilement long haute résolution avec une résolution de 486 × 2048. L'effet généré conserve la disposition interne de l'image de formation inchangée et résume le nouveau contenu, comme le montre la figure 13.
Comparaison avec les méthodes précédentes
Le tableau 1 montre les résultats quantitatifs produits par SinDiffusion par rapport à plusieurs méthodes difficiles, à savoir SinGAN, ExSinGAN, ConSinGAN et GPNN. Par rapport aux méthodes précédentes basées sur le GAN, SinDiffusion a atteint les performances SOTA après des améliorations progressives. Il convient de mentionner que la méthode de recherche présentée dans cet article améliore considérablement la diversité des images générées. Sur la moyenne de 50 modèles formés sur l'ensemble de données Places50, cette méthode dépasse le modèle actuel le plus difficile avec un score de +0,082 méthode LPIPS.
En plus des résultats quantitatifs, la figure 8 montre également les résultats qualitatifs sur l'ensemble de données Places50.
La figure 15 montre les résultats de la génération d'images guidées par texte de SinDiffusion et des méthodes précédentes.
Veuillez consulter le document original pour plus d'informations.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Imaginez un modèle d'intelligence artificielle qui non seulement a la capacité de surpasser l'informatique traditionnelle, mais qui permet également d'obtenir des performances plus efficaces à moindre coût. Ce n'est pas de la science-fiction, DeepSeek-V2[1], le modèle MoE open source le plus puissant au monde est ici. DeepSeek-V2 est un puissant mélange de modèle de langage d'experts (MoE) présentant les caractéristiques d'une formation économique et d'une inférence efficace. Il est constitué de 236B paramètres, dont 21B servent à activer chaque marqueur. Par rapport à DeepSeek67B, DeepSeek-V2 offre des performances plus élevées, tout en économisant 42,5 % des coûts de formation, en réduisant le cache KV de 93,3 % et en augmentant le débit de génération maximal à 5,76 fois. DeepSeek est une entreprise explorant l'intelligence artificielle générale

Boston Dynamics Atlas entre officiellement dans l’ère des robots électriques ! Hier, l'Atlas hydraulique s'est retiré "en larmes" de la scène de l'histoire. Aujourd'hui, Boston Dynamics a annoncé que l'Atlas électrique était au travail. Il semble que dans le domaine des robots humanoïdes commerciaux, Boston Dynamics soit déterminé à concurrencer Tesla. Après la sortie de la nouvelle vidéo, elle a déjà été visionnée par plus d’un million de personnes en seulement dix heures. Les personnes âgées partent et de nouveaux rôles apparaissent. C'est une nécessité historique. Il ne fait aucun doute que cette année est l’année explosive des robots humanoïdes. Les internautes ont commenté : Les progrès des robots ont fait ressembler la cérémonie d'ouverture de cette année à des êtres humains, et le degré de liberté est bien plus grand que celui des humains. Mais n'est-ce vraiment pas un film d'horreur ? Au début de la vidéo, Atlas est allongé calmement sur le sol, apparemment sur le dos. Ce qui suit est à couper le souffle

Plus tôt ce mois-ci, des chercheurs du MIT et d'autres institutions ont proposé une alternative très prometteuse au MLP – KAN. KAN surpasse MLP en termes de précision et d’interprétabilité. Et il peut surpasser le MLP fonctionnant avec un plus grand nombre de paramètres avec un très petit nombre de paramètres. Par exemple, les auteurs ont déclaré avoir utilisé KAN pour reproduire les résultats de DeepMind avec un réseau plus petit et un degré d'automatisation plus élevé. Plus précisément, le MLP de DeepMind compte environ 300 000 paramètres, tandis que le KAN n'en compte qu'environ 200. KAN a une base mathématique solide comme MLP est basé sur le théorème d'approximation universelle, tandis que KAN est basé sur le théorème de représentation de Kolmogorov-Arnold. Comme le montre la figure ci-dessous, KAN a

L’IA change effectivement les mathématiques. Récemment, Tao Zhexuan, qui a prêté une attention particulière à cette question, a transmis le dernier numéro du « Bulletin de l'American Mathematical Society » (Bulletin de l'American Mathematical Society). En se concentrant sur le thème « Les machines changeront-elles les mathématiques ? », de nombreux mathématiciens ont exprimé leurs opinions. L'ensemble du processus a été plein d'étincelles, intense et passionnant. L'auteur dispose d'une équipe solide, comprenant Akshay Venkatesh, lauréat de la médaille Fields, le mathématicien chinois Zheng Lejun, l'informaticien de l'Université de New York Ernest Davis et de nombreux autres universitaires bien connus du secteur. Le monde de l’IA a radicalement changé. Vous savez, bon nombre de ces articles ont été soumis il y a un an.

Les performances de JAX, promu par Google, ont dépassé celles de Pytorch et TensorFlow lors de récents tests de référence, se classant au premier rang sur 7 indicateurs. Et le test n’a pas été fait sur le TPU présentant les meilleures performances JAX. Bien que parmi les développeurs, Pytorch soit toujours plus populaire que Tensorflow. Mais à l’avenir, des modèles plus volumineux seront peut-être formés et exécutés sur la base de la plate-forme JAX. Modèles Récemment, l'équipe Keras a comparé trois backends (TensorFlow, JAX, PyTorch) avec l'implémentation native de PyTorch et Keras2 avec TensorFlow. Premièrement, ils sélectionnent un ensemble de

Aujourd'hui, j'aimerais partager un travail de recherche récent de l'Université du Connecticut qui propose une méthode pour aligner les données de séries chronologiques avec de grands modèles de traitement du langage naturel (NLP) sur l'espace latent afin d'améliorer les performances de prévision des séries chronologiques. La clé de cette méthode consiste à utiliser des indices spatiaux latents (invites) pour améliorer la précision des prévisions de séries chronologiques. Titre de l'article : S2IP-LLM : SemanticSpaceInformedPromptLearningwithLLMforTimeSeriesForecasting Adresse de téléchargement : https://arxiv.org/pdf/2403.05798v1.pdf 1. Modèle de fond de problème important

La dernière vidéo du robot Optimus de Tesla est sortie, et il peut déjà fonctionner en usine. À vitesse normale, il trie les batteries (les batteries 4680 de Tesla) comme ceci : Le responsable a également publié à quoi cela ressemble à une vitesse 20 fois supérieure - sur un petit "poste de travail", en sélectionnant et en sélectionnant et en sélectionnant : Cette fois, il est publié L'un des points forts de la vidéo est qu'Optimus réalise ce travail en usine, de manière totalement autonome, sans intervention humaine tout au long du processus. Et du point de vue d'Optimus, il peut également récupérer et placer la batterie tordue, en se concentrant sur la correction automatique des erreurs : concernant la main d'Optimus, le scientifique de NVIDIA Jim Fan a donné une évaluation élevée : la main d'Optimus est l'un des robots à cinq doigts du monde. le plus adroit. Ses mains ne sont pas seulement tactiles

Cet article explore le problème de la détection précise d'objets sous différents angles de vue (tels que la perspective et la vue à vol d'oiseau) dans la conduite autonome, en particulier comment transformer efficacement les caractéristiques de l'espace en perspective (PV) en vue à vol d'oiseau (BEV). implémenté via le module Visual Transformation (VT). Les méthodes existantes sont globalement divisées en deux stratégies : la conversion 2D en 3D et la conversion 3D en 2D. Les méthodes 2D vers 3D améliorent les caractéristiques 2D denses en prédisant les probabilités de profondeur, mais l'incertitude inhérente aux prévisions de profondeur, en particulier dans les régions éloignées, peut introduire des inexactitudes. Alors que les méthodes 3D vers 2D utilisent généralement des requêtes 3D pour échantillonner des fonctionnalités 2D et apprendre les poids d'attention de la correspondance entre les fonctionnalités 3D et 2D via un transformateur, ce qui augmente le temps de calcul et de déploiement.
