


La vitesse d'inférence est 2 fois plus rapide que la diffusion stable. La génération et la réparation d'images peuvent être effectuées avec un seul modèle Google, réalisant ainsi le nouveau SOTA.
La génération de texte en image est l'une des orientations les plus en vogue de l'AIGC en 2022 et a été sélectionnée comme l'une des dix principales avancées scientifiques en 2022 par « Science ». Récemment, le nouveau document de génération de texte en image de Google « Muse : Text-To-Image Generation via Masked Generative Transformers » a attiré une grande attention.
- Adresse papier : https://arxiv.org/pdf/2301.00704v1.pdf
- Adresse du projet : https://muse-model.github.io/
Cette étude propose un nouveau modèle de synthèse texte-image utilisant une approche de modélisation d'image masquée, où l'architecture du décodeur d'image est basée sur des intégrations d'encodeurs T5-XXL Large Language Model (LLM) pré-entraînés et gelés comme condition .
Semblable au précédent modèle Imagen de Google, cette étude a révélé que le réglage basé sur un LLM pré-entraîné est essentiel pour la génération d'images réalistes et de haute qualité. Le modèle Muse est construit sur l'architecture Transformer (Vaswani et al., 2017).
Par rapport à Imagen (Saharia et al., 2022) ou Dall-E2 (Ramesh et al., 2022) basés sur le modèle de diffusion de l'espace pixel en cascade, Muse utilise des jetons discrets, l'efficacité est considérablement améliorée. Par rapport au modèle autorégressif SOTA Parti (Yu et al., 2022), Muse est plus efficace grâce à son utilisation du décodage parallèle.
Sur la base de résultats expérimentaux sur TPU-v4, les chercheurs estiment que Muse est plus de 10 fois plus rapide que les modèles Imagen-3B ou Parti-3B en vitesse d'inférence, et plus rapide que Stable Diffusion v1.4 (Rombach et al., 2022) 2x plus rapide. Les chercheurs pensent que Muse est plus rapide que Stable Diffusion car le modèle de diffusion est utilisé dans Stable Diffusion v1.4, ce qui nécessite évidemment plus d'itérations lors de l'inférence.
D'un autre côté, l'amélioration de l'efficacité de Muse n'a pas entraîné de diminution de la qualité des images générées ni de diminution de la compréhension sémantique du modèle de l'invite de texte de saisie. Cette étude a évalué les résultats de génération de Muse par rapport à plusieurs critères, notamment le score CLIP (Radford et al., 2021) et le FID (Heusel et al., 2017). Le modèle Muse-3B a obtenu un score CLIP de 0,32 et un score FID de 7,88 sur le référentiel de validation zéro tir COCO (Lin et al., 2014).
Jetons un coup d'œil à l'effet de génération Muse :
Génération Texte-Image : Le modèle Muse génère rapidement des images de haute qualité à partir d'invites de texte (sur TPUv4, il faut 1,3 seconde pour qu'une image de résolution 512 x 512 soit générée). L'image de résolution 256x256 prend 0,5 seconde). Par exemple, générez « un ours faisant du vélo et un oiseau perché sur le guidon » :
Le modèle Muse fournit aux utilisateurs des données sans échantillon ni échantillonnage en rééchantillonnant de manière itérative les jetons d'image dans des conditions d'invite de texte. Édition sans masque.
Muse propose également des modifications basées sur des masques, telles que "Il y a un belvédère sur le lac sur fond de belles feuilles d'automne".
Introduction au modèle
Muse est construit sur un certain nombre de composants, la figure 3 donne un aperçu de l'architecture du modèle.
Plus précisément, les composants inclus sont :
Encodeur de texte pré-entraîné : cette étude a révélé que l'utilisation de grands modèles de langage (LLM) pré-entraînés peut améliorer la qualité de la génération d'images. Ils ont émis l’hypothèse que le modèle Muse avait appris à mapper les riches concepts visuels et sémantiques des intégrations LLM aux images générées. Étant donné un sous-titre de texte d’entrée, l’étude le fait passer par un encodeur T5-XXL gelé, ce qui donne lieu à une séquence de 4 096 dimensions de vecteurs d’incorporation de langage. Ces vecteurs d'intégration sont projetés linéairement sur le modèle Transformer.
Utilisation de VQGAN pour la tokenisation sémantique : le composant principal de ce modèle est l'utilisation de jetons sémantiques obtenus à partir du modèle VQGAN. Parmi eux, VQGAN se compose d'un encodeur et d'un décodeur, et une couche de quantification mappe l'image d'entrée à une séquence de jetons dans un livre de codes d'apprentissage. Cette étude utilise toutes des couches convolutives pour créer des encodeurs et des décodeurs afin de prendre en charge l'encodage d'images de différentes résolutions.
Modèle de base : Le modèle de base est un transformateur de masque où les entrées sont des intégrations et des jetons d'image projetés sur T5. L'étude conserve toutes les intégrations de texte (non masquées), masque aléatoirement les jetons d'image de différentes proportions et les remplace par un jeton spécial [masque].
Modèle super-résolution : Cette étude a trouvé avantageux d'utiliser une cascade de modèles : d'abord un modèle de base qui génère une carte latente 16 × 16 (correspondant à une image 256 × 256), puis un suréchantillonnage de la carte latente de base. Le modèle super-résolution est une carte de potentiel 64 × 64 (correspondant à une image 512 × 512).
Réglage précis du décodeur : Pour améliorer encore la capacité du modèle à générer des détails fins, cette étude augmente la capacité du décodeur VQGAN en ajoutant davantage de couches et de canaux résiduels tout en gardant la capacité de l'encodeur inchangée. La nouvelle couche de décodeur est ensuite affinée tout en gelant les poids de l'encodeur VQGAN, le livre de codes et le transformateur (c'est-à-dire le modèle de base et le modèle de super-résolution).
En plus des composants ci-dessus, Muse comprend également des composants à rapport de masque variable, des composants de décodage parallèle itératif pendant l'inférence, etc.
Expériences et résultats
Comme le montre le tableau ci-dessous, Muse raccourcit le temps d'inférence par rapport aux autres modèles.
Le tableau suivant présente les scores FID et CLIP mesurés par différents modèles sur COCO zéro tir :
Comme le montre le tableau ci-dessous, Muse (632M (base)+268M (super -res) modèle paramétrique) a obtenu un score SOTA FID de 6,06 lors de la formation et de l'évaluation sur l'ensemble de données CC3M.
L'image ci-dessous est un exemple des résultats générés par Muse, Imagen et DALL-E 2 sous la même invite.
Les lecteurs intéressés peuvent lire le texte original de l'article pour en savoir plus sur les détails de la recherche.
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)

Sujets chauds

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

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

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

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

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.

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

La détection de cibles est un problème relativement mature dans les systèmes de conduite autonome, parmi lesquels la détection des piétons est l'un des premiers algorithmes à être déployés. Des recherches très complètes ont été menées dans la plupart des articles. Cependant, la perception de la distance à l’aide de caméras fisheye pour une vue panoramique est relativement moins étudiée. En raison de la distorsion radiale importante, la représentation standard du cadre de délimitation est difficile à mettre en œuvre dans les caméras fisheye. Pour alléger la description ci-dessus, nous explorons les conceptions étendues de boîtes englobantes, d'ellipses et de polygones généraux dans des représentations polaires/angulaires et définissons une métrique de segmentation d'instance mIOU pour analyser ces représentations. Le modèle fisheyeDetNet proposé avec une forme polygonale surpasse les autres modèles et atteint simultanément 49,5 % de mAP sur l'ensemble de données de la caméra fisheye Valeo pour la conduite autonome.
