ઇમેજ સિન્થેસિસ અને રાત્રિના ફોટામાં અવાજ ઘટાડવા માટે મશીન લર્નિંગ સિસ્ટમ્સ

સ્ટેબિલિટી AI એ સ્ટેબલ ડિફ્યુઝન મશીન લર્નિંગ સિસ્ટમ માટે તૈયાર મોડેલ્સ પ્રકાશિત કર્યા છે, જે કુદરતી ભાષામાં ટેક્સ્ટ વર્ણનના આધારે છબીઓને સંશ્લેષણ અને સંશોધિત કરવામાં સક્ષમ છે. મૉડલ્સને વ્યાપારી ઉપયોગ માટે અનુમતિશીલ ક્રિએટિવ ML OpenRAIL-M લાયસન્સ હેઠળ લાઇસન્સ આપવામાં આવે છે. સિસ્ટમને તાલીમ આપવા માટે, 4000 NVIDIA A100 Ezra-1 GPU ના ક્લસ્ટર અને LAION-5B કલેક્શનનો ઉપયોગ કરવામાં આવ્યો, જેમાં ટેક્સ્ટ વર્ણનો સાથે 5.85 બિલિયન ઈમેજોનો સમાવેશ થાય છે. અગાઉ, ન્યુરલ નેટવર્કને તાલીમ આપવા અને ઈમેજો જનરેટ કરવા માટેના સાધનો માટેનો કોડ MIT લાયસન્સ હેઠળ ઓપન સોર્સ હતો.

તૈયાર મૉડલની ઉપલબ્ધતા અને એકદમ નમ્ર સિસ્ટમ આવશ્યકતાઓ કે જે કોઈને પ્રમાણભૂત GPU સાથે પીસી પર પ્રયોગો શરૂ કરવાની મંજૂરી આપે છે તેના કારણે સંખ્યાબંધ સંબંધિત પ્રોજેક્ટ્સનો ઉદભવ થયો છે:

• ટેક્સ્ટ-વ્યુત્ક્રમ (કોડ) - એક એડ-ઓન જે તમને આપેલ પાત્ર, ઑબ્જેક્ટ અથવા શૈલી સાથે છબીઓને સંશ્લેષણ કરવાની મંજૂરી આપે છે. મૂળ સ્થિર પ્રસારમાં, સંશ્લેષિત ઈમેજોમાંના પદાર્થો રેન્ડમ અને બેકાબૂ છે. સૂચિત એડ-ઓન તમને તમારા પોતાના વિઝ્યુઅલ ઑબ્જેક્ટ ઉમેરવા, તેમને કીવર્ડ્સ સાથે જોડવા અને સંશ્લેષણમાં ઉપયોગ કરવાની મંજૂરી આપે છે.

  ઉદાહરણ તરીકે, રેગ્યુલર સ્ટેબલ ડિફ્યુઝનમાં તમે સિસ્ટમને "કેટ ઇન એ બોટ" સાથે ઇમેજ જનરેટ કરવા માટે કહી શકો છો. વધુમાં, તમે બિલાડી અને બોટની લાક્ષણિકતાઓને સ્પષ્ટ કરી શકો છો, પરંતુ તે અણધારી છે કે કઈ બિલાડી અને હોડીનું સંશ્લેષણ કરવામાં આવશે. ટેક્સ્ટ-વ્યુત્ક્રમ તમને તમારી બિલાડી અથવા બોટની છબી પર સિસ્ટમને તાલીમ આપવા અને ચોક્કસ બિલાડી અથવા બોટ સાથે છબીને સંશ્લેષણ કરવાની મંજૂરી આપે છે. તે જ રીતે, તે ચોક્કસ વસ્તુઓ સાથે છબીના ઘટકોને બદલી શકે છે, સંશ્લેષણ માટે દ્રશ્ય શૈલીનું ઉદાહરણ સેટ કરી શકે છે અને વિભાવનાઓને સ્પષ્ટ કરી શકે છે (ઉદાહરણ તરીકે, ડોકટરોની સંપૂર્ણ વિવિધતામાંથી, તમે વધુ સચોટ અને ઉચ્ચ ગુણવત્તાની પસંદગીનો ઉપયોગ કરી શકો છો. ઇચ્છિત શૈલીમાં).

  

• stable-diffusion-animation - સ્ટેબલ ડિફ્યુઝનમાં જનરેટ થયેલા ચિત્રો વચ્ચેના પ્રક્ષેપણના આધારે એનિમેટેડ (મૂવિંગ) ઈમેજોનું સર્જન.
• stable_diffusion.openvino (કોડ) - સ્ટેબલ ડિફ્યુઝનનું પોર્ટ, જે ગણતરી માટે માત્ર CPU નો ઉપયોગ કરે છે, જે શક્તિશાળી GPU વિના સિસ્ટમો પર પ્રયોગ કરવાની મંજૂરી આપે છે. OpenVINO લાઇબ્રેરીમાં સપોર્ટેડ પ્રોસેસરની જરૂર છે. અધિકૃત રીતે, OpenVINO ઇન્ટેલ પ્રોસેસરો માટે AVX2, AVX-512, AVX512_BF16 અને SSE એક્સ્ટેન્શન્સ તેમજ રાસ્પબેરી Pi 4 મોડલ B, Apple Mac mini અને NVIDIA Jetson નેનો બોર્ડ માટે પ્લગઇન્સ પ્રદાન કરે છે. બિનસત્તાવાર રીતે, AMD Ryzen પ્રોસેસરો પર OpenVINO નો ઉપયોગ કરવો શક્ય છે.
• sdamd એ AMD GPUs માટેનું પોર્ટ છે.
• વિડિયો સિન્થેસિસનું પ્રારંભિક અમલીકરણ.
• stable-diffusion-gui, stable-diffusion-ui, Artbreeder Collage, diffuse-the-Rest - Stable Diffusion નો ઉપયોગ કરીને ઇમેજ બનાવવા માટે ગ્રાફિકલ ઇન્ટરફેસ.
• beta.dreamstudio.ai, હગિંગ ફેસ સ્પેસ, hlky સ્ટેબલ ડિફ્યુઝન WebUI - સ્ટેબલ ડિફ્યુઝનનો ઉપયોગ કરીને ઇમેજ સિન્થેસિસ માટે વેબ ઇન્ટરફેસ.
• GIMP, ફિગ્મા, બ્લેન્ડર અને ફોટોશોપ સાથે સ્થિર પ્રસારને એકીકૃત કરવા માટેના પ્લગઇન્સ.

વધુમાં, અમે Google દ્વારા RawNeRF (RAW ન્યુરલ રેડિયન્સ ફીલ્ડ્સ) મશીન લર્નિંગ સિસ્ટમના કોડના પ્રકાશનની નોંધ લઈ શકીએ છીએ, જે ઘણી બધી RAW ઈમેજોના ડેટાના આધારે, અંધારામાં અને અંદર લેવામાં આવેલી અત્યંત ઘોંઘાટવાળી ઈમેજીસની ગુણવત્તાને સુધારવાની મંજૂરી આપે છે. નબળી લાઇટિંગ. ઘોંઘાટને દૂર કરવા ઉપરાંત, પ્રોજેક્ટ દ્વારા વિકસિત ટૂલ્સ વિગતો વધારવા, ઝગઝગાટ દૂર કરવા, HDR ને સંશ્લેષણ કરવા અને ફોટોગ્રાફ્સમાં એકંદર લાઇટિંગ બદલવાનું શક્ય બનાવે છે, તેમજ વિવિધ ખૂણાઓથી ઘણા ફોટોગ્રાફ્સનો ઉપયોગ કરીને ઑબ્જેક્ટ્સની ત્રિ-પરિમાણીય સ્થિતિને ફરીથી બનાવવી, દૃષ્ટિકોણ બદલો, ફોકસની હેરફેર કરો અને મૂવિંગ પિક્ચર્સ જનરેટ કરો.

સોર્સ: opennet.ru