ನೈಸರ್ಗಿಕ ಭಾಷೆಯಲ್ಲಿ ಪಠ್ಯ ವಿವರಣೆಯನ್ನು ಆಧರಿಸಿ ಚಿತ್ರಗಳನ್ನು ಸಂಶ್ಲೇಷಿಸುವ ಸ್ಥಿರ ಪ್ರಸರಣ ಯಂತ್ರ ಕಲಿಕೆ ವ್ಯವಸ್ಥೆಗೆ ಸಂಬಂಧಿಸಿದ ಬೆಳವಣಿಗೆಗಳನ್ನು ಕಂಡುಹಿಡಿಯಲಾಗಿದೆ. ಸ್ಟೆಬಿಲಿಟಿ AI ಮತ್ತು ರನ್ವೇ, Eleuther AI ಮತ್ತು LAION ಸಮುದಾಯಗಳು ಮತ್ತು CompVis ಲ್ಯಾಬ್ ಗ್ರೂಪ್ (ಮ್ಯೂನಿಚ್ ವಿಶ್ವವಿದ್ಯಾಲಯದಲ್ಲಿ ಕಂಪ್ಯೂಟರ್ ದೃಷ್ಟಿ ಮತ್ತು ಯಂತ್ರ ಕಲಿಕೆ ಸಂಶೋಧನಾ ಪ್ರಯೋಗಾಲಯ) ಸಂಶೋಧಕರು ಈ ಯೋಜನೆಯನ್ನು ಜಂಟಿಯಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತಿದ್ದಾರೆ. ಸಾಮರ್ಥ್ಯಗಳು ಮತ್ತು ಫಲಿತಾಂಶದ ಗುಣಮಟ್ಟದ ಮಟ್ಟಕ್ಕೆ ಸಂಬಂಧಿಸಿದಂತೆ, ಸ್ಥಿರ ಪ್ರಸರಣವು DALL-E 2 ಯೋಜನೆಯನ್ನು ಹೋಲುತ್ತದೆ, ಆದರೆ ಮುಕ್ತ ಮತ್ತು ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವಂತೆ ಅಭಿವೃದ್ಧಿಪಡಿಸಲಾಗುತ್ತಿದೆ. ಸ್ಟೇಬಲ್ ಡಿಫ್ಯೂಷನ್ನ ಅನುಷ್ಠಾನವನ್ನು ಪೈಥಾನ್ನಲ್ಲಿ ಬರೆಯಲಾಗಿದೆ ಮತ್ತು MIT ಪರವಾನಗಿ ಅಡಿಯಲ್ಲಿ ವಿತರಿಸಲಾಗಿದೆ.
ಶಿಕ್ಷಣ ಸಂಸ್ಥೆಗಳು ಮತ್ತು ಸ್ವತಂತ್ರ ಸಂಶೋಧಕರಿಗೆ ಪ್ರತ್ಯೇಕ ವಿನಂತಿಯ ಮೇರೆಗೆ ಸಿದ್ಧ ಮಾದರಿಗಳು ಪ್ರಸ್ತುತ ಲಭ್ಯವಿವೆ, ಆದರೆ ಡೆವಲಪರ್ಗಳು ಪರೀಕ್ಷೆ ಪೂರ್ಣಗೊಂಡ ನಂತರ ಮತ್ತು ಮೊದಲ ಬಿಡುಗಡೆ ಸಿದ್ಧವಾದ ನಂತರ ಎಲ್ಲರಿಗೂ ಅವುಗಳನ್ನು ತೆರೆಯುವುದಾಗಿ ಭರವಸೆ ನೀಡುತ್ತಾರೆ. ಸಿಸ್ಟಮ್ ಅನ್ನು ತರಬೇತಿ ಮಾಡಲು, 4000 NVIDIA A100 Ezra-1 GPU ಗಳ ಕ್ಲಸ್ಟರ್ ಮತ್ತು ಪಠ್ಯ ವಿವರಣೆಗಳೊಂದಿಗೆ 5 ಶತಕೋಟಿ ಚಿತ್ರಗಳನ್ನು ಒಳಗೊಂಡಂತೆ LAION-5.85B ಸಂಗ್ರಹವನ್ನು ಬಳಸಲಾಯಿತು. ಇಮೇಜ್ ಉತ್ಪಾದನೆಯ ಘಟಕಗಳು ಬಳಕೆದಾರರ ಸಿಸ್ಟಮ್ಗಳಲ್ಲಿ ಕೆಲಸ ಮಾಡಲು ಸಾಕಷ್ಟು ಹಗುರವಾಗಿರುತ್ತವೆ; ಉದಾಹರಣೆಗೆ, 512x512 ರೆಸಲ್ಯೂಶನ್ನೊಂದಿಗೆ ಚಿತ್ರಗಳನ್ನು ಸಂಶ್ಲೇಷಿಸಲು, ಸಿಸ್ಟಮ್ನಲ್ಲಿ 10GB ವೀಡಿಯೊ ಮೆಮೊರಿಯೊಂದಿಗೆ GPU ಸಾಕಾಗುತ್ತದೆ.
ಪಠ್ಯ ವಿವರಣೆಗಳ ಆಧಾರದ ಮೇಲೆ ಚಿತ್ರಗಳನ್ನು ಸಂಶ್ಲೇಷಿಸುವುದರ ಜೊತೆಗೆ, ಚಿತ್ರಗಳನ್ನು ಮಾರ್ಪಡಿಸಲು ಒಂದು ಆಯ್ಕೆಯನ್ನು ನೀಡಲಾಗುತ್ತದೆ, ಇದು ಸ್ಪಷ್ಟೀಕರಿಸುವ ಪಠ್ಯ ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನು ಬಳಸಿಕೊಂಡು, ಸ್ಕೀಮ್ಯಾಟಿಕ್ ಸ್ಕೆಚ್ಗಳಿಂದ ಚಿತ್ರಗಳನ್ನು ರಚಿಸಬಹುದು, ಚಿತ್ರಗಳನ್ನು ಸಂಪಾದಿಸಬಹುದು ಮತ್ತು ಬದಲಾಯಿಸಬಹುದು ಅಥವಾ ಜೂಮ್ ಮಾಡುವಾಗ ಕಳೆದುಹೋದ ವಿವರಗಳನ್ನು ಮರುಸ್ಥಾಪಿಸಬಹುದು. ನೈಸರ್ಗಿಕ ಭಾಷೆಯ ಪಠ್ಯ ಆಜ್ಞೆಗಳ ಆಧಾರದ ಮೇಲೆ ವೀಡಿಯೊ ಸಂಪಾದನೆಗಾಗಿ ಸ್ಥಿರವಾದ ಪ್ರಸರಣವು ಅಭಿವೃದ್ಧಿಯಲ್ಲಿದೆ.
ಮೂಲ: opennet.ru
