Perkembangan sing ana gandhengane karo sistem pembelajaran mesin Difusi Stabil, sing nyintesis gambar adhedhasar deskripsi teks ing basa alami, wis ditemokake. Proyek iki dikembangake bebarengan dening peneliti saka Stability AI lan Runway, komunitas Eleuther AI lan LAION, lan grup lab CompVis (laboratorium riset visi komputer lan mesin sinau ing Universitas Munich). Ing babagan kemampuan lan tingkat kualitas asil, Stable Diffusion meh padha karo proyek DALL-E 2, nanging dikembangake minangka mbukak lan kasedhiya kanggo umum. Implementasi Stable Diffusion ditulis ing Python lan disebarake ing lisensi MIT.
Model sing wis siap saiki kasedhiya kanthi panyuwunan kapisah kanggo institusi pendidikan lan peneliti independen, nanging pangembang janji bakal mbukak kanggo kabeh wong sawise tes rampung lan rilis pisanan wis siyap. Kanggo nglatih sistem kasebut, klompok 4000 NVIDIA A100 Ezra-1 GPU lan koleksi LAION-5B, kalebu 5.85 milyar gambar kanthi deskripsi teks. Komponen kanggo nggawe gambar dicathet minangka cukup entheng kanggo nggarap sistem pangguna; contone, kanggo sintesis gambar kanthi resolusi 512x512, GPU kanthi memori video 10GB ing sistem cukup.
Saliyane nyintesis gambar adhedhasar deskripsi teks, ana pilihan kanggo ngowahi gambar, sing bisa, nggunakake njlentrehake pituduh teks, ngasilake gambar saka sketsa skematis, ngowahi lan ngganti gambar, utawa mulihake rincian sing ilang nalika nggedhekake. Uga dikembangake yaiku Difusi Stabil kanggo nyunting video adhedhasar perintah teks basa alami.
Source: opennet.ru
