Mae datblygiadau sy'n ymwneud Γ’'r system dysgu peirianyddol Stable Diffusion, sy'n syntheseiddio delweddau yn seiliedig ar ddisgrifiad testun mewn iaith naturiol, wedi'u darganfod. Mae'r prosiect yn cael ei ddatblygu ar y cyd gan ymchwilwyr o Stability AI a Runway, cymunedau Eleuther AI a LAION, a grΕ΅p labordy CompVis (labordy ymchwil gweledigaeth gyfrifiadurol a dysgu peiriant ym Mhrifysgol Munich). O ran galluoedd a lefel ansawdd y canlyniad, mae Stable Diffusion yn debyg i brosiect DALL-E 2, ond mae'n cael ei ddatblygu fel un agored ac ar gael i'r cyhoedd. Mae gweithrediad Stable Diffusion wedi'i ysgrifennu yn Python a'i ddosbarthu o dan drwydded MIT.
Mae modelau parod ar gael ar hyn o bryd ar gais ar wahΓ’n i sefydliadau addysgol ac ymchwilwyr annibynnol, ond mae'r datblygwyr yn addo eu hagor i bawb ar Γ΄l cwblhau'r profion a bod y datganiad cyntaf yn barod. I hyfforddi'r system, defnyddiwyd clwstwr o 4000 NVIDIA A100 Ezra-1 GPUs a chasgliad LAION-5B, gan gynnwys 5.85 biliwn o ddelweddau gyda disgrifiadau testun. Nodir bod y cydrannau ar gyfer cynhyrchu delweddau yn ddigon ysgafn i weithio ar systemau defnyddwyr; er enghraifft, i syntheseiddio delweddau gyda phenderfyniad o 512x512, mae GPU gyda 10GB o gof fideo yn y system yn ddigonol.
Yn ogystal Γ’ syntheseiddio delweddau yn seiliedig ar ddisgrifiadau testun, cynigir opsiwn ar gyfer addasu delweddau, a all, trwy ddefnyddio awgrymiadau testun eglurhaol, gynhyrchu lluniau o frasluniau sgematig, golygu a newid delweddau, neu adfer manylion coll wrth chwyddo i mewn. Hefyd yn cael ei ddatblygu mae Stable Diffusion ar gyfer golygu fideo yn seiliedig ar orchmynion testun iaith naturiol.
Ffynhonnell: opennet.ru
