


Pengurangan dimensi AI menyerang pelukis manusia, graf Vincentian diperkenalkan ke ControlNet, dan maklumat kedalaman dan tepi boleh digunakan semula sepenuhnya
Dengan kemunculan model imej teks berskala besar, menghasilkan imej yang menarik menjadi sangat mudah. Apa yang perlu dilakukan oleh pengguna ialah memasukkan gesaan mudah dengan pergerakan jari mereka. Selepas mendapatkan imej melalui beberapa siri operasi, kami pasti akan mempunyai beberapa soalan: Bolehkah imej yang dijana berdasarkan segera memenuhi keperluan kami? Apakah jenis seni bina yang perlu kita bina untuk mengendalikan pelbagai keperluan yang dibangkitkan oleh pengguna? Bolehkah model besar mengekalkan kelebihan dan keupayaan yang diperoleh daripada berbilion imej dalam tugas tertentu?
Untuk menjawab soalan-soalan ini, penyelidik dari Stanford menjalankan sejumlah besar penyiasatan ke atas pelbagai aplikasi pemprosesan imej dan mencapai tiga penemuan berikut:
Pertama sekali, data yang tersedia dalam medan tertentu sebenarnya kurang daripada data untuk melatih model umum Ini terutamanya ditunjukkan dalam fakta bahawa sebagai contoh, set data terbesar pada masalah tertentu (seperti pemahaman isyarat,. dsb.) biasanya kurang daripada 100k, yang lebih kecil daripada skala besar, Set data imej teks berbilang mod LAION 5B ialah 5 × 10^4 tertib magnitud lebih kecil. Ini memerlukan rangkaian saraf menjadi teguh untuk mengelakkan model terlampau pasang dan mempunyai generalisasi yang baik apabila menyasarkan masalah khusus.
Kedua, apabila menggunakan pemprosesan dipacu data bagi tugas imej, gugusan pengkomputeran yang besar tidak selalu tersedia. Di sinilah kaedah latihan pantas menjadi penting, kaedah yang boleh mengoptimumkan model besar untuk tugasan tertentu dalam masa dan ruang ingatan yang boleh diterima. Tambahan pula, penalaan halus, pembelajaran pemindahan dan operasi lain mungkin diperlukan dalam pemprosesan seterusnya.
Akhir sekali, pelbagai masalah yang dihadapi semasa pemprosesan imej akan ditakrifkan dengan cara yang berbeza. Apabila menyelesaikan masalah ini, walaupun algoritma penyebaran imej boleh dilaraskan dengan cara "prosedur", contohnya, mengekang proses denoising, mengedit pengaktifan perhatian berbilang kepala, dll., peraturan buatan tangan ini pada dasarnya ditentukan oleh arahan manusia , Memandangkan beberapa tugas khusus seperti imej kedalaman, pose-orang, dsb., masalah ini pada asasnya memerlukan tafsiran input mentah ke dalam pemahaman peringkat objek atau peringkat pemandangan, yang menjadikan pendekatan prosedur buatan tangan kurang sesuai. Oleh itu, untuk menyediakan penyelesaian dalam pelbagai tugas, pembelajaran hujung ke hujung adalah penting.
Berdasarkan penemuan di atas, kertas kerja ini mencadangkan seni bina rangkaian saraf hujung ke hujung ControlNet, yang boleh mengawal model resapan (seperti Resapan Stabil) dengan menambahkan syarat tambahan, dengan itu menambah baik graf kesan gambar, dan boleh menjana gambar berwarna penuh daripada lukisan garisan, menjana gambar dengan struktur kedalaman yang sama, dan mengoptimumkan penjanaan tangan melalui titik utama tangan.
Alamat kertas: https://arxiv.org/pdf/2302.05543.pdf
Projek Alamat: https://github.com/lllyasviel/ControlNet
Paparan kesan
Jadi apakah kesan ControlNet?
Pengesanan tepi canny: Dengan mengekstrak lukisan garisan daripada imej asal, anda boleh menjana imej dengan komposisi yang sama.
Pengesanan kedalaman: Dengan mengekstrak maklumat kedalaman dalam imej asal, graf dengan struktur kedalaman yang sama boleh dihasilkan .
ControlNet dengan segmentasi semantik:
Menggunakan The deep berasaskan pembelajaran Transformasi Hough mengesan garis lurus dari Places2 dan kemudian menggunakan BLIP untuk menjana sari kata.
Ikon pengesanan tepi HED.
Ilustrasi pengecaman postur manusia.
Pengenalan kaedah
ControlNet ialah seni bina rangkaian saraf yang mempertingkatkan model resapan imej terlatih dengan keadaan khusus tugas. Mari kita lihat struktur asas ControlNet.
ControlNet memanipulasi keadaan input blok rangkaian saraf, seterusnya mengawal kelakuan keseluruhan keseluruhan rangkaian saraf. Di sini "blok rangkaian" merujuk kepada sekumpulan lapisan saraf yang disatukan sebagai unit biasa untuk membina rangkaian saraf, seperti blok resnet, blok perhatian berbilang kepala dan blok Transformer.
Ambil ciri 2D sebagai contoh, diberikan peta ciri x ϵ R^h×w×c, dengan {h, w, c} ialah ketinggian, lebar dan bilangan saluran masing-masing. Blok rangkaian saraf F (・; Θ) dengan set parameter Θ mengubah x menjadi peta ciri y yang lain seperti ditunjukkan dalam persamaan (1) di bawah.
Proses ini ditunjukkan dalam Rajah 2-(a) di bawah.
Blok rangkaian saraf disambungkan oleh lapisan lilitan unik yang dipanggil "sifar lilitan", iaitu berat 1×1 lapisan konvolusi dengan permulaan sifar dan berat sebelah. Penyelidik mewakili operasi lilitan sifar sebagai Z (・;・) dan menggunakan dua contoh parameter {Θ_z1, Θ_z2} untuk membentuk struktur ControlNet, seperti yang ditunjukkan dalam formula berikut (2).
di mana y_c menjadi output bagi blok rangkaian saraf, seperti ditunjukkan dalam Rajah 2-(b) di bawah.
ControlNet dalam model penyebaran imej
Penyelidik mengambil Stable Diffusion sebagai contoh untuk memperkenalkan cara menggunakan kawalan ControlNet Model penyebaran berskala besar dengan keadaan khusus tugas. Stable Diffusion ialah model resapan teks-ke-imej berskala besar yang dilatih pada berbilion-bilion imej, pada asasnya U-net yang terdiri daripada pengekod, blok perantaraan dan penyahkod bersambung baki.
Seperti yang ditunjukkan dalam Rajah 3 di bawah, penyelidik menggunakan ControlNet untuk mengawal setiap lapisan U-net. Ambil perhatian bahawa cara ControlNet disambungkan di sini adalah cekap dari segi pengiraan: memandangkan pemberat asal dikunci, pengiraan kecerunan pada pengekod asal tidak memerlukan latihan. Dan kerana separuh daripada pengiraan kecerunan pada model asal dikurangkan, latihan boleh dipercepatkan dan memori GPU boleh disimpan. Melatih model Stable Diffusion menggunakan ControlNet hanya memerlukan lebih kurang 23% lebih memori GPU dan 34% lebih masa setiap lelaran latihan (diuji pada satu Nvidia A100 PCIE 40G).
Khususnya, penyelidik menggunakan ControlNet untuk mencipta 12 blok pengekodan boleh dilatih dan 1 salinan blok perantaraan Stable Diffusion. 12 blok pengekodan datang dalam 4 resolusi, 64×64, 32×32, 16×16, dan 8×8, dengan 3 blok dalam setiap resolusi. Output ditambah pada U-net dengan 12 sambungan baki dan 1 blok perantaraan. Memandangkan Stable Diffusion ialah struktur U-net biasa, kemungkinan seni bina ControlNet ini boleh digunakan dalam model resapan lain.
Latihan dan Meningkatkan Latihan
Memandangkan imej z_0, algoritma resapan menambah hingar pada imej secara berperingkat dan menghasilkan hingar Imej z_t, t ialah bilangan kali hingar ditambah. Apabila t cukup besar, imej menghampiri hingar tulen. Memandangkan satu set syarat termasuk langkah masa t, gesaan teks c_t, dan keadaan khusus tugas c_f, algoritma resapan imej mempelajari rangkaian ϵ_θ untuk meramalkan hingar yang ditambahkan pada imej bising z_t, seperti ditunjukkan dalam Persamaan (10) di bawah.
Semasa proses latihan, penyelidik secara rawak menggantikan 50% gesaan teks c_t dengan rentetan kosong, yang bermanfaat kepada keupayaan ControlNet untuk mengenal pasti kandungan semantik daripada peta keadaan input.
Selain itu, penyelidik juga membincangkan beberapa strategi untuk meningkatkan latihan ControlNets, terutamanya apabila peranti pengkomputeran sangat terhad (seperti komputer riba) atau sangat berkuasa (seperti dengan GPU berskala besar yang tersedia. ).
Sila rujuk kertas asal untuk butiran lanjut teknikal.
Atas ialah kandungan terperinci Pengurangan dimensi AI menyerang pelukis manusia, graf Vincentian diperkenalkan ke ControlNet, dan maklumat kedalaman dan tepi boleh digunakan semula sepenuhnya. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Bayangkan model kecerdasan buatan yang bukan sahaja mempunyai keupayaan untuk mengatasi pengkomputeran tradisional, tetapi juga mencapai prestasi yang lebih cekap pada kos yang lebih rendah. Ini bukan fiksyen sains, DeepSeek-V2[1], model MoE sumber terbuka paling berkuasa di dunia ada di sini. DeepSeek-V2 ialah gabungan model bahasa pakar (MoE) yang berkuasa dengan ciri-ciri latihan ekonomi dan inferens yang cekap. Ia terdiri daripada 236B parameter, 21B daripadanya digunakan untuk mengaktifkan setiap penanda. Berbanding dengan DeepSeek67B, DeepSeek-V2 mempunyai prestasi yang lebih kukuh, sambil menjimatkan 42.5% kos latihan, mengurangkan cache KV sebanyak 93.3% dan meningkatkan daya pemprosesan penjanaan maksimum kepada 5.76 kali. DeepSeek ialah sebuah syarikat yang meneroka kecerdasan buatan am

Awal bulan ini, penyelidik dari MIT dan institusi lain mencadangkan alternatif yang sangat menjanjikan kepada MLP - KAN. KAN mengatasi MLP dari segi ketepatan dan kebolehtafsiran. Dan ia boleh mengatasi prestasi MLP berjalan dengan bilangan parameter yang lebih besar dengan bilangan parameter yang sangat kecil. Sebagai contoh, penulis menyatakan bahawa mereka menggunakan KAN untuk menghasilkan semula keputusan DeepMind dengan rangkaian yang lebih kecil dan tahap automasi yang lebih tinggi. Khususnya, MLP DeepMind mempunyai kira-kira 300,000 parameter, manakala KAN hanya mempunyai kira-kira 200 parameter. KAN mempunyai asas matematik yang kukuh seperti MLP berdasarkan teorem penghampiran universal, manakala KAN berdasarkan teorem perwakilan Kolmogorov-Arnold. Seperti yang ditunjukkan dalam rajah di bawah, KAN telah

AI memang mengubah matematik. Baru-baru ini, Tao Zhexuan, yang telah mengambil perhatian terhadap isu ini, telah memajukan keluaran terbaru "Buletin Persatuan Matematik Amerika" (Buletin Persatuan Matematik Amerika). Memfokuskan pada topik "Adakah mesin akan mengubah matematik?", ramai ahli matematik menyatakan pendapat mereka Seluruh proses itu penuh dengan percikan api, tegar dan menarik. Penulis mempunyai barisan yang kuat, termasuk pemenang Fields Medal Akshay Venkatesh, ahli matematik China Zheng Lejun, saintis komputer NYU Ernest Davis dan ramai lagi sarjana terkenal dalam industri. Dunia AI telah berubah secara mendadak Anda tahu, banyak artikel ini telah dihantar setahun yang lalu.

Boston Dynamics Atlas secara rasmi memasuki era robot elektrik! Semalam, Atlas hidraulik hanya "menangis" menarik diri daripada peringkat sejarah Hari ini, Boston Dynamics mengumumkan bahawa Atlas elektrik sedang berfungsi. Nampaknya dalam bidang robot humanoid komersial, Boston Dynamics berazam untuk bersaing dengan Tesla. Selepas video baharu itu dikeluarkan, ia telah pun ditonton oleh lebih sejuta orang dalam masa sepuluh jam sahaja. Orang lama pergi dan peranan baru muncul. Ini adalah keperluan sejarah. Tidak dinafikan bahawa tahun ini adalah tahun letupan robot humanoid. Netizen mengulas: Kemajuan robot telah menjadikan majlis pembukaan tahun ini kelihatan seperti manusia, dan tahap kebebasan adalah jauh lebih besar daripada manusia Tetapi adakah ini benar-benar bukan filem seram? Pada permulaan video, Atlas berbaring dengan tenang di atas tanah, seolah-olah terlentang. Apa yang berikut adalah rahang-jatuh

Prestasi JAX, yang dipromosikan oleh Google, telah mengatasi Pytorch dan TensorFlow dalam ujian penanda aras baru-baru ini, menduduki tempat pertama dalam 7 penunjuk. Dan ujian tidak dilakukan pada TPU dengan prestasi JAX terbaik. Walaupun dalam kalangan pembangun, Pytorch masih lebih popular daripada Tensorflow. Tetapi pada masa hadapan, mungkin lebih banyak model besar akan dilatih dan dijalankan berdasarkan platform JAX. Model Baru-baru ini, pasukan Keras menanda aras tiga hujung belakang (TensorFlow, JAX, PyTorch) dengan pelaksanaan PyTorch asli dan Keras2 dengan TensorFlow. Pertama, mereka memilih satu set arus perdana

Video terbaru robot Tesla Optimus dikeluarkan, dan ia sudah boleh berfungsi di kilang. Pada kelajuan biasa, ia mengisih bateri (bateri 4680 Tesla) seperti ini: Pegawai itu juga mengeluarkan rupanya pada kelajuan 20x - pada "stesen kerja" kecil, memilih dan memilih dan memilih: Kali ini ia dikeluarkan Salah satu sorotan video itu ialah Optimus menyelesaikan kerja ini di kilang, sepenuhnya secara autonomi, tanpa campur tangan manusia sepanjang proses. Dan dari perspektif Optimus, ia juga boleh mengambil dan meletakkan bateri yang bengkok, memfokuskan pada pembetulan ralat automatik: Berkenaan tangan Optimus, saintis NVIDIA Jim Fan memberikan penilaian yang tinggi: Tangan Optimus adalah robot lima jari di dunia paling cerdik. Tangannya bukan sahaja boleh disentuh

Kertas kerja ini meneroka masalah mengesan objek dengan tepat dari sudut pandangan yang berbeza (seperti perspektif dan pandangan mata burung) dalam pemanduan autonomi, terutamanya cara mengubah ciri dari perspektif (PV) kepada ruang pandangan mata burung (BEV) dengan berkesan dilaksanakan melalui modul Transformasi Visual (VT). Kaedah sedia ada secara amnya dibahagikan kepada dua strategi: penukaran 2D kepada 3D dan 3D kepada 2D. Kaedah 2D-ke-3D meningkatkan ciri 2D yang padat dengan meramalkan kebarangkalian kedalaman, tetapi ketidakpastian yang wujud dalam ramalan kedalaman, terutamanya di kawasan yang jauh, mungkin menimbulkan ketidaktepatan. Manakala kaedah 3D ke 2D biasanya menggunakan pertanyaan 3D untuk mencuba ciri 2D dan mempelajari berat perhatian bagi kesesuaian antara ciri 3D dan 2D melalui Transformer, yang meningkatkan masa pengiraan dan penggunaan.

Pengesanan objek ialah masalah yang agak matang dalam sistem pemanduan autonomi, antaranya pengesanan pejalan kaki adalah salah satu algoritma terawal untuk digunakan. Penyelidikan yang sangat komprehensif telah dijalankan dalam kebanyakan kertas kerja. Walau bagaimanapun, persepsi jarak menggunakan kamera fisheye untuk pandangan sekeliling agak kurang dikaji. Disebabkan herotan jejari yang besar, perwakilan kotak sempadan standard sukar dilaksanakan dalam kamera fisheye. Untuk mengurangkan perihalan di atas, kami meneroka kotak sempadan lanjutan, elips dan reka bentuk poligon am ke dalam perwakilan kutub/sudut dan mentakrifkan metrik mIOU pembahagian contoh untuk menganalisis perwakilan ini. Model fisheyeDetNet yang dicadangkan dengan bentuk poligon mengatasi model lain dan pada masa yang sama mencapai 49.5% mAP pada set data kamera fisheye Valeo untuk pemanduan autonomi
