확산 모델의 최근 발전은 많은 생성 작업에서 인상적인 이정표를 세웠습니다. DALL·E 2, Imagen, SD(Stable Diffusion) 등 매력적인 작품들이 학계와 업계에서 큰 관심을 불러일으켰습니다.
이러한 모델은 놀라운 성능을 발휘하지만 기본적으로 특정 텍스트에서 이미지를 생성하는 등 특정 유형의 작업에 중점을 두고 있으며, 다양한 유형의 작업을 수행하려면 모델을 별도로 학습하거나 재구성해야 하는 경우가 많습니다.
그렇다면 AIGC 모델의 통합을 달성하기 위해 이전 모델을 기반으로 "만능" 확산을 구축할 수 있을까요? 어떤 사람들은 이 방향으로 탐구하려고 노력하고 있으며 진전을 이루었습니다.
일리노이 대학교 어바나-샴페인 캠퍼스와 텍사스 대학교 오스틴 캠퍼스의 공동 팀은 기존의 단일 스트림 확산을 VD(Versatile Diffusion)라는 다중 스트림 네트워크로 확장하려고 합니다. 첫째, 통합 다중 스트림 다중 모드 확산 프레임워크는 일반 생성 인공 지능을 향한 단계입니다.
문서 주소: https://arxiv.org/abs/2211.08332
Versatile Diffusion은 일반적인 텍스트 생성 이미지 기능 외에도 이미지를 입력하여 유사한 이미지를 생성할 수도 있습니다. .텍스트를 생성하기 위한 이미지 입력, 유사 텍스트 생성을 위한 텍스트 입력, 이미지 의미 분리 편집, 비디오 생성을 위한 이미지와 텍스트 입력, 잠재 공간을 기반으로 이미지 콘텐츠 편집 등
향후 버전에서는 음성, 음악, 비디오, 3D 등 더 많은 모드도 지원할 예정입니다.
논문에 따르면 VD와 그 기본 프레임워크는 다음과 같은 장점이 있는 것으로 입증되었습니다.
a) 경쟁력 있는 고품질로 모든 하위 작업을 처리할 수 있습니다.
b) 그래픽 스타일과 의미 분리, 이미지-텍스트 이중 안내 생성 등과 같은 새로운 확장 및 애플리케이션을 지원합니다.
c) 이러한 실험과 애플리케이션은 생성된 출력에 대한 더 풍부한 의미론적 통찰력을 제공합니다.
VD에서는 학습 데이터 세트의 경우 맞춤형 데이터 필터가 포함된 Laion2B-en을 주요 데이터 세트로 사용합니다.
VD의 첫 번째 탐색에서 흥미로운 발견은 추가 감독 없이 이미지 스타일을 의미상 향상하거나 줄일 수 있다는 것입니다.
이러한 현상은 저자가 완전히 새로운 분야를 탐구하도록 영감을 주었습니다. 여기서는 임의의 스타일과 임의의 콘텐츠가 포함된 이미지에 대해 스타일과 의미의 분리가 발생할 수 있습니다.
저자들은 a) 영역 지정 없이 자연 이미지의 의미론적 및 스타일 해석 b) 확산 모델의 잠재 공간에 대한 의미론적 및 스타일 분해를 탐구한 최초의 팀이라고 밝혔습니다.
아래 이미지에서 작성자는 먼저 입력 이미지의 변형을 생성한 다음 의미(왼쪽) 또는 스타일(오른쪽)에 초점을 맞춰 작업합니다.
VD는 이미지를 텍스트로, 텍스트를 이미지로 모두 지원하기 때문에 저자 팀은 처음으로 다음 단계에 따라 텍스트 프롬프트의 관점에서 이미지를 편집하려고 시도했습니다. a) 이미지를 텍스트로 변환, b) 텍스트 편집,c) 텍스트를 다시 이미지로 변환합니다.
실험에서 저자는 이미지에서 설명된 내용을 제거한 다음 이 이미지-텍스트-이미지(I2T2I) 패러다임을 사용하여 새로운 콘텐츠를 추가했습니다. 객체의 위치를 입력으로 요구하는 페인팅이나 기타 이미지 편집 방법과 달리 VD의 I2T2I는 지시에 따라 객체를 자동으로 배치하고 교체할 수 있으므로 마스크가 필요하지 않습니다.
그러나 I2T2I의 출력 이미지는 입력 이미지의 픽셀과 일치하지 않습니다. 이는 이미지-텍스트 의미 정제 및 텍스트-이미지 콘텐츠 생성으로 인해 발생합니다.
아래 디스플레이에서는 입력 이미지가 먼저 프롬프트로 변환된 다음 빼기(빨간색 상자)와 추가(녹색 상자)를 사용하여 프롬프트가 편집됩니다. 마지막으로 편집된 프롬프트가 이미지로 변환됩니다.
또한 그들은 주어진 텍스트를 기반으로 유사한 텍스트를 생성하는 방법을 연구하는 최초의 팀이기도 합니다.
구체적으로, 논문에서 제안하는 VD 프레임워크는 다양한 유형의 데이터를 입력 및 배경으로 사용하는 멀티 스트림 네트워크입니다.
VD 다중 스트림 다중 모달 확산 프레임워크는 해석 가능한 잠재 공간, 모달 구조 및 낮은 계산 비용 등 LDM/SD의 장점을 계승합니다.
VD는 여러 스트림을 공동으로 훈련할 수 있으며 각 스트림은 교차 모달 작업을 나타냅니다. 핵심 설계는 네트워크 내에서 프로토콜 그룹화, 공유 및 전환을 확산하여 지원되는 모든 작업 및 그 이상에 프레임워크를 적용하는 것입니다.
디퓨저는 글로벌 레이어, 데이터 레이어, 컨텍스트 레이어의 세 그룹으로 나뉩니다. 전역 레이어는 시간적 임베딩 레이어, 데이터 레이어는 잔차 블록, 컨텍스트 레이어는 교차 주의입니다.
이 그룹화는 레이어의 기능에 해당합니다. 여러 작업을 수행할 때 글로벌 레이어는 모든 작업에서 공유됩니다. 데이터 계층과 컨텍스트 계층에는 여러 데이터 흐름이 포함되어 있습니다. 각 데이터 스트림은 현재 데이터 및 컨텍스트 유형에 따라 공유되거나 교환될 수 있습니다.
예를 들어 텍스트 이미지 요청을 처리할 때 디퓨저는 이미지 데이터 레이어와 텍스트 컨텍스트 레이어를 사용합니다. 이미지 변형 작업을 처리할 때 이미지 데이터 계층과 이미지 컨텍스트 계층이 사용됩니다.
단일 VD 프로세스에는 VAE, 디퓨저 및 컨텍스트 인코더가 포함되어 있으며, 하나의 데이터 유형(예: 이미지)과 하나의 컨텍스트 유형(예: 텍스트)에서 하나의 작업(예: 텍스트에서 이미지로)을 처리합니다.
Versatile Diffusion의 멀티 스트림 구조는 아래 그림에 나와 있습니다.
Versatile Diffusion을 기반으로 연구원들은 VAE, 컨텍스트를 포함하는 일반적인 멀티 스트림 멀티 모드 프레임워크를 추가로 제안했습니다. 인코더 및 3계층(예: 전역, 데이터 및 컨텍스트 계층) 디퓨저.
디퓨저:
VD는 널리 채택된 교차 초점 UNet을 디퓨저 네트워크의 주요 아키텍처로 사용하여 레이어를 글로벌 레이어, 데이터 레이어 및 컨텍스트 레이어로 나눕니다. 데이터 계층과 컨텍스트 계층에는 이미지와 텍스트를 지원하는 두 개의 데이터 스트림이 있습니다.
이미지 데이터 흐름에는 LDM을 따르고 공간 차원이 점차 감소하고 채널 수가 점차 증가하는 잔여 블록(ResBlock)을 사용합니다.
텍스트 데이터 흐름의 경우 새로운 완전 연결 잔여 블록(FCResBlock)을 사용하여 768차원 텍스트 잠재 벡터를 320*4 숨겨진 기능으로 확장하고 유사한 채널 증가 패러다임을 따른 다음 GroupNorms, SiLU 및 일반적인 ResBlock과 마찬가지로 연결을 건너뜁니다.
위 그림에서 볼 수 있듯이 FCResBlock에는 완전 연결 레이어(FC), 그룹 정규화(GN) 및 시그모이드 선형 유닛(SiLU)의 두 세트가 포함되어 있습니다. x는 입력 텍스트 잠재 코드, t는 입력 시간 임베딩, hi는 중간 특성입니다.
컨텍스트 그룹의 경우 교차 관심 레이어는 이미지와 컨텍스트 스트림 모두에 사용되며, 여기서 콘텐츠 임베딩은 프로젝션 레이어, 내적 및 시그모이드를 통해 데이터 기능에 대해 작동합니다.
Variational Autoencoder (VAE):
VD는 이전의 잠재 확산 모델(Latent Diffusion Model, LDM) -KL의 오토인코더 -KL을 이미지 데이터 VAE로, Optimus를 텍스트 DataVAE로 사용합니다. Optimus는 BERT 텍스트 인코더와 GPT2 텍스트 디코더로 구성되어 문장을 768차원 정규 분포 잠재 벡터로 양방향으로 변환할 수 있습니다.
동시에 Optimus는 재구성 및 해석 가능한 텍스트 잠재 공간으로 만족스러운 VAE 속성도 보여줍니다. 따라서 Optimus는 다중 스트림 다중 모드 프레임워크의 전제 조건에 잘 맞기 때문에 텍스트 VAE로 선택되었습니다.
컨텍스트 인코더:
VD는 CLIP 텍스트 및 이미지 인코더를 컨텍스트 인코더로 사용합니다. 컨텍스트 입력으로 원시 텍스트 임베딩만 사용하는 LDM 및 SD와 달리 VD는 정규화 및 투영 임베딩을 사용하여 텍스트와 이미지의 CLIP 대비 손실을 최소화합니다.
실험에 따르면 컨텍스트 유형 간의 삽입 공간이 더 가까울수록 모델이 더 빠르게 수렴되고 더 나은 성능을 발휘하는 데 도움이 됩니다. DALL·E 2에서도 유사한 결론을 얻을 수 있습니다. 이는 추가 프로젝션 레이어를 사용하여 텍스트-이미지 모델을 미세 조정하여 이미지 변형에 대한 텍스트와 이미지 임베딩 간의 차이를 최소화합니다.
저자는 초기 단일 작업 모델을 기준 모델로 사용하고 VD 결과를 이러한 기준과 비교했습니다. 그 중 SDv1.4는 텍스트에서 이미지까지의 기본 모델로 사용되며, 이미지 변형에는 SD-variation, 이미지-텍스트에는 BLIP이 사용됩니다.
한편, 저자는 다양한 VD 모델에 대한 질적 비교도 수행했는데, 여기서 VDDC와 VD-official은 텍스트-이미지 변환에 사용되었고 세 가지 모델은 모두 이미지 변형에 사용되었습니다.
SD 및 VD의 이미지 샘플은 더 나은 품질 확인을 위해 제어된 무작위 시드를 사용하여 생성됩니다.
텍스트를 이미지로 변환하는 성능
DALLE 2와 Imagen도 이러한 작업에 대해 최첨단 결과를 달성했지만, 저자는 공개 코드나 교육 세부 정보가 없기 때문에 검토를 건너뛰었습니다. . 비교하다.
결과에 따르면 다중 프로세스 구조와 다중 작업 교육은 VD가 상황별 의미를 포착하고 출력을 보다 정확하게 생성하며 모든 하위 작업을 훌륭하게 완료하는 데 도움이 될 수 있음을 보여줍니다.
이미지 변형 성능
또한 VD에서 생성된 이미지 주석에는 창의적인 단어도 포함되어 있습니다. 이에 비해 BLIP의 생성은 매우 짧고 세부적인 설명이 부족합니다.
이미지를 텍스트로 변환하는 성능
Vincent Picture
이미지 변형
의미 중심 이미지 변형
이중 부팅
일리노이 대학 어바나-샴페인 캠퍼스의 IFP 팀은 1980년대 Huang Xutao 교수에 의해 설립되었으며, 원래는 Beckman Institute for Advanced Science and Technology의 이미지 형성 및 처리 그룹이었습니다.
수년에 걸쳐 IFP는 이미지 및 비디오 코딩, 다중 모드 인간-컴퓨터 상호 작용, 멀티미디어 주석 및 검색, 컴퓨터 비전 및 패턴 인식, 기계 학습, 빅 데이터, 딥 러닝 및 고성능 컴퓨팅.
IFP의 현재 연구 방향은 빅데이터, 딥 러닝 및 고성능 컴퓨팅을 공동으로 결합하여 다중 모드 정보 처리 문제를 해결하는 것입니다.
또한 IFP는 인공 지능 분야 최고의 컨퍼런스에서 다수의 최우수 논문을 수상했으며 최초의 NIST TrecVID, 최초의 ImageNet Challenge, 최초의 인공 지능 시티 챌린지를 포함하여 많은 국제 대회에서 우승했습니다.
흥미롭게도 황 교수가 1960년대 MIT에서 가르치기 시작한 이후 IFP 그룹의 "구성원"에는 친구, 학생, 학생의 학생, 학생의 학생, 심지어 학생의 학생도 포함되었습니다.
위 내용은 AIGC 통합 모델이 나왔습니다! 이력서 업계의 선두주자인 황서타오(Huang Xutao)가 설립한 팀이 'Almighty Diffusion'을 제안했습니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!
![[웹 프런트엔드] Node.js 빠른 시작](https://img.php.cn/upload/course/000/000/067/662b5d34ba7c0227.png)
