স্ট্যাবল ডিফিউশন 2.0 ইমেজ সিন্থেসিস সিস্টেম চালু করা হয়েছে

স্থিতিশীলতা AI স্থিতিশীল ডিফিউশন মেশিন লার্নিং সিস্টেমের দ্বিতীয় সংস্করণ প্রকাশ করেছে, একটি প্রস্তাবিত টেমপ্লেট বা প্রাকৃতিক ভাষার পাঠ্য বিবরণের উপর ভিত্তি করে চিত্রগুলি সংশ্লেষণ এবং পরিবর্তন করতে সক্ষম। নিউরাল নেটওয়ার্ক ট্রেনিং এবং ইমেজ জেনারেশন টুলের কোড PyTorch ফ্রেমওয়ার্ক ব্যবহার করে পাইথনে লেখা হয় এবং MIT লাইসেন্সের অধীনে প্রকাশিত হয়। ইতিমধ্যেই প্রশিক্ষিত মডেলগুলি অনুমতিমূলক ক্রিয়েটিভ ML OpenRAIL-M লাইসেন্সের অধীনে খোলা রয়েছে, যা বাণিজ্যিক ব্যবহারের জন্য অনুমতি দেয়। উপরন্তু, একটি ডেমো অনলাইন ইমেজ জেনারেটর উপলব্ধ.

স্থিতিশীল বিস্তারের নতুন সংস্করণে মূল উন্নতি:

• পাঠ্য বিবরণের উপর ভিত্তি করে চিত্র সংশ্লেষণের জন্য একটি নতুন মডেল তৈরি করা হয়েছে - SD2.0-v, যা 768x768 এর রেজোলিউশন সহ চিত্রগুলির প্রজন্মকে সমর্থন করে। নতুন মডেলটি LAION-5B সংগ্রহ ব্যবহার করে প্রশিক্ষিত, যার মধ্যে পাঠ্য বিবরণ সহ 5.85 বিলিয়ন ছবি রয়েছে। মডেলটি স্ট্যাবল ডিফিউশন 1.5 মডেলের মতো প্যারামিটারের একই সেট ব্যবহার করে, কিন্তু মৌলিকভাবে ভিন্ন OpenCLIP-ViT/H এনকোডার ব্যবহারের ক্ষেত্রে পরিবর্তনের ক্ষেত্রে ভিন্ন, যা ফলাফলের চিত্রগুলির গুণমানকে উল্লেখযোগ্যভাবে উন্নত করেছে।
• SD2.0-বেসের একটি সরলীকৃত সংস্করণ প্রস্তুত করা হয়েছে, একটি ক্লাসিক্যাল নয়েজ পূর্বাভাস মডেল ব্যবহার করে 256×256 ছবিতে প্রশিক্ষণ দেওয়া হয়েছে এবং 512×512 রেজোলিউশনের সাথে ইমেজ তৈরিকে সমর্থন করে।
• স্থানিক স্কেলিং এবং বিশদ পুনর্গঠন অ্যালগরিদম ব্যবহার করে গুণমান হ্রাস না করে মূল চিত্রের রেজোলিউশন বাড়ানোর জন্য সুপারস্যাম্পলিং প্রযুক্তি (সুপার রেজোলিউশন) ব্যবহার করা সম্ভব। প্রদত্ত ইমেজ প্রসেসিং মডেল (SD20-upscaler) চারবার জুম সমর্থন করে, যা 2048x2048 রেজোলিউশন সহ ছবি তৈরি করতে দেয়।
• SD2.0-depth2img মডেলটি প্রস্তাব করা হয়েছে, বস্তুর গভীরতা এবং স্থানিক বিন্যাস বিবেচনা করে। মনোকুলার গভীরতা অনুমানের জন্য, MiDaS সিস্টেম ব্যবহার করা হয়। মডেলটি আপনাকে একটি টেমপ্লেট হিসাবে অন্য একটি চিত্র ব্যবহার করে নতুন ছবি সংশ্লেষণ করতে দেয়, যা মূল থেকে আমূল ভিন্ন হতে পারে তবে সামগ্রিক রচনা এবং গভীরতা বজায় রাখতে পারে। উদাহরণস্বরূপ, আপনি একই ভঙ্গিতে অন্য চরিত্র গঠনের জন্য ফটোগ্রাফে একজন ব্যক্তির ভঙ্গি ব্যবহার করতে পারেন।
• ইমেজ পরিবর্তন করার জন্য মডেল আপডেট করা হয়েছে - SD 2.0-ইনপেইন্টিং, যা আপনাকে টেক্সট প্রম্পট ব্যবহার করে ছবির অংশগুলি প্রতিস্থাপন এবং পরিবর্তন করতে দেয়।
• মডেলগুলি একটি একক GPU সহ প্রচলিত সিস্টেমে ব্যবহারের জন্য অপ্টিমাইজ করা হয়েছে।

উত্স: opennet.ru