


Fail yang lebih kecil, kualiti yang lebih tinggi, bolehkah Stable Diffusion yang popular memampatkan imej?
Baru-baru ini, Stable Diffusion telah menjadi hala tuju penyelidikan yang baru muncul. Seorang blogger bernama Matthias Bühlmann cuba meneroka secara eksperimen kuasa model ini dan mendapati bahawa Stable Diffusion ialah codec mampatan imej lossy yang sangat berkuasa. Beliau menulis blog yang menerangkan proses analisis eksperimen ini. Berikut adalah teks blog asal.
Pertama sekali, Matthias Bühlmann memberikan hasil pemampatan kaedah Stable Diffusion dan JPG dan WebP di bawah keadaan faktor mampatan tinggi Semua keputusan adalah pada resolusi 512x512 piksel:
landskap San Francisco, dari kiri ke kanan: JPG (6.16kB), WebP (6.80kB), Resapan Stabil: (4.96kB).
Kedai gula-gula, dari kiri ke kanan: JPG (5.68kB), WebP (5.71 kB), Resapan Stabil (4.98kB).
Foto haiwan, dari kiri ke kanan: JPG (5.66 kB), WebP (6.74kB), Resapan Stabil (4.97kB).
Contoh ini jelas menunjukkan bahawa memampatkan imej dengan Stable Diffusion mengekalkan kualiti imej yang lebih baik pada saiz fail yang lebih kecil berbanding JPG dan WebP.
Eksperimen penerokaan
Matthias Bühlmann menganalisis prinsip kerja Stable Diffusion menggunakan tiga rangkaian neural tiruan terlatih:
- . Pengekod Auto Variasi (VAE)
- U-Net
- Pengekod Teks Pengekodan teks
VAE mengekod dan menyahkod imej dalam ruang imej kepada beberapa perwakilan spatial asas. Perwakilan spatial terpendam bagi imej sumber (512 x 512, 3x8 atau 4x8 bit) akan mempunyai resolusi yang lebih rendah (64 x 64) dan ketepatan yang lebih tinggi (4x32 bit).
VAE belajar dengan sendirinya semasa proses latihan Memandangkan model dilatih secara beransur-ansur, perwakilan ruang terpendam versi berbeza model mungkin kelihatan berbeza, seperti perwakilan ruang terpendam Stabil. Resapan v1.4 Perwakilan spatial adalah seperti berikut (dipetakan semula kepada imej warna 4 saluran):
apabila dikembangkan semula dan ditafsirkan ciri terpendam sebagai nilai warna (menggunakan saluran alfa ), ciri utama imej masih kelihatan, dan VAE juga mengekodkan ciri resolusi lebih tinggi ke dalam nilai piksel.
Sebagai contoh, melalui pengekodan/penyahkodan VAE perjalanan pergi balik, keputusan berikut diperoleh:
Perlu diingat bahawa perjalanan pergi balik ini tidak rugi. Contohnya, perkataan putih pada pita biru dalam gambar kurang boleh dibaca selepas penyahkodan. VAE bagi model Stable Diffusion v1.4 umumnya tidak begitu baik untuk mewakili teks dan muka kecil.
Kami tahu bahawa tujuan utama Resapan Stabil adalah untuk menjana imej berdasarkan penerangan teks, yang memerlukan model beroperasi pada perwakilan spatial terpendam imej. Model ini menggunakan U-Net terlatih untuk menafikan imej ruang terpendam secara berulang, mengeluarkan apa yang "dilihat" (ramalkan) dalam hingar, serupa dengan cara kita kadangkala melihat awan sebagai bentuk atau muka. Dalam langkah denoising berulang, model ML ketiga (pengekod teks) membimbing U-Net untuk cuba melihat maklumat yang berbeza.
Matthias Bühlmann menganalisis cara perwakilan terpendam yang dijana oleh VAE boleh dimampatkan dengan berkesan. Beliau mendapati bahawa pensampelan perwakilan terpendam dalam VAE atau menggunakan kaedah pemampatan imej lossy sedia ada kepada perwakilan terpendam secara ketara merendahkan kualiti imej yang dibina semula, manakala proses penyahkodan VAE nampaknya agak teguh kepada kualiti perwakilan terpendam.
Matthias Bühlmann mengkuantifikasi perwakilan terpendam dari titik terapung kepada integer tidak bertanda 8-bit dan hanya menemui ralat pembinaan semula yang sangat kecil. Seperti yang ditunjukkan dalam rajah di bawah, kiri: perwakilan potensi titik terapung 32-bit: kebenaran tanah kanan: perwakilan potensi integer 8-bit;
Beliau juga mendapati bahawa dengan mengkuantifikasi lebih lanjut dengan palet dan algoritma dithering, keputusan yang diperolehi akan menjadi baik di luar jangkaan. Walau bagaimanapun, apabila menyahkod secara terus menggunakan VAE, representasi palet membawa kepada beberapa artifak yang boleh dilihat:
Kiri: perwakilan terpendam 32-bit; Tengah: representasi terpendam 8-bit; Kanan: perwakilan terpendam 8-bit dengan palet dengan Floyd-Steinberg dither
Perwakilan palet dengan jitter Floyd-Steinberg memperkenalkan bunyi, memesongkan hasil penyahkodan. Jadi Matthias Bühlmann menggunakan U-Net untuk mengeluarkan bunyi yang disebabkan oleh jitter. Selepas 4 lelaran, hasil yang dibina semula secara visual sangat hampir dengan versi tidak terkuantisasi:
Hasil yang dibina semula (kiri : perwakilan palet dengan Floyd-Steinberg jitter tengah: denoising selepas empat lelaran kanan: Ground Truth).
Walaupun hasilnya sangat baik, beberapa artifak diperkenalkan, seperti bayang berkilat pada simbol tengah di atas.
Walaupun secara subjektif, hasil imej mampat Stable Diffusion jauh lebih baik daripada JPG dan WebP, dari perspektif PSNR, SSIM dan penunjuk lain, Stable Diffusion tidak mempunyai kelebihan yang jelas.
Seperti yang ditunjukkan dalam rajah di bawah, walaupun Resapan Stabil sebagai codec jauh lebih baik daripada kaedah lain dalam mengekalkan kebutiran imej, ia dipengaruhi oleh artifak mampatan, bentuk objek dalam imej, dsb. Ciri-ciri tertakluk kepada perubahan.
Kiri: Mampatan JPG; tengah: Ground Truth;
Perlu diperhatikan bahawa model Stable Diffusion v1.4 semasa tidak dapat mengekalkan maklumat teks dan ciri muka dengan fon kecil semasa proses pemampatan, tetapi Stable Model resapan v1.5 telah bertambah baik dalam penjanaan muka.
Kiri: Ground Truth; selepas VAE pergi balik (ciri terpendam 32-bit) ; Kanan: Hasil penyahkodan daripada ciri terpendam 8-bit yang dipaletkan.
Selepas blog diterbitkan, analisis eksperimen Matthias Bühlmann membangkitkan perbincangan semua orang.
Matthias Bühlmann sendiri percaya bahawa kesan pemampatan imej Stable Diffusion adalah lebih baik daripada yang dijangkakan, dan U-Net nampaknya dapat menghapuskan bunyi yang diperkenalkan oleh dithering dengan berkesan. Walau bagaimanapun, versi masa hadapan model Stable Diffusion mungkin tidak lagi mempunyai ciri pemampatan imej ini.
Walau bagaimanapun, sesetengah netizen mempersoalkan: "VAE sendiri digunakan untuk pemampatan imej, contohnya, kaedah pemampatan imej berasaskan Transformer TIC menggunakan VAE seni bina, jadi percubaan Matthias Bühlmann nampaknya berlebihan.
Apa pendapat anda tentang perkara ini?
Atas ialah kandungan terperinci Fail yang lebih kecil, kualiti yang lebih tinggi, bolehkah Stable Diffusion yang popular memampatkan imej?. 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

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

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.

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
