ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບການສັງເຄາະຮູບພາບແລະການຫຼຸດຜ່ອນສິ່ງລົບກວນໃນຮູບພາບກາງຄືນ

Stability AI ໄດ້ພິມເຜີຍແຜ່ແບບຈໍາລອງທີ່ກຽມພ້ອມສໍາລັບລະບົບການຮຽນຮູ້ເຄື່ອງຈັກ Stable Diffusion, ສາມາດສັງເຄາະແລະດັດແປງຮູບພາບໂດຍອີງໃສ່ຄໍາອະທິບາຍຂໍ້ຄວາມໃນພາສາທໍາມະຊາດ. ຮູບແບບຕ່າງໆແມ່ນໄດ້ຮັບອະນຸຍາດພາຍໃຕ້ໃບອະນຸຍາດ Creative ML OpenRAIL-M ທີ່ໄດ້ຮັບອະນຸຍາດສໍາລັບການນໍາໃຊ້ທາງການຄ້າ. ເພື່ອຝຶກອົບຮົມລະບົບ, ກຸ່ມຂອງ 4000 NVIDIA A100 Ezra-1 GPUs ແລະການເກັບກໍາ LAION-5B, ລວມທັງ 5.85 ຕື້ຮູບພາບທີ່ມີຄໍາອະທິບາຍຂໍ້ຄວາມ, ໄດ້ຖືກນໍາໃຊ້. ກ່ອນຫນ້ານີ້, ລະຫັດສໍາລັບເຄື່ອງມືສໍາລັບການຝຶກອົບຮົມເຄືອຂ່າຍ neural ແລະການສ້າງຮູບພາບແມ່ນ open-sourced ພາຍໃຕ້ໃບອະນຸຍາດ MIT.

ການມີແບບຈໍາລອງທີ່ກຽມພ້ອມແລະຄວາມຕ້ອງການລະບົບເລັກນ້ອຍທີ່ອະນຸຍາດໃຫ້ຫນຶ່ງສາມາດເລີ່ມຕົ້ນການທົດລອງໃນ PC ທີ່ມີ GPU ມາດຕະຖານໄດ້ນໍາໄປສູ່ການປະກົດຕົວຂອງໂຄງການທີ່ກ່ຽວຂ້ອງຈໍານວນຫນຶ່ງ:

• textual-inversion (code) - add-on ທີ່ອະນຸຍາດໃຫ້ທ່ານສາມາດສັງເຄາະຮູບພາບທີ່ມີຕົວອັກສອນ, ວັດຖຸຫຼືຮູບແບບທີ່ໃຫ້. ໃນການແຜ່ກະຈາຍຄົງທີ່ຕົ້ນສະບັບ, ວັດຖຸໃນຮູບພາບທີ່ສັງເຄາະແມ່ນແບບສຸ່ມແລະບໍ່ສາມາດຄວບຄຸມໄດ້. Add-on ທີ່ສະເຫນີຊ່ວຍໃຫ້ທ່ານສາມາດເພີ່ມວັດຖຸທີ່ມີສາຍຕາຂອງທ່ານເອງ, ຜູກມັດໃສ່ກັບຄໍາສໍາຄັນແລະນໍາໃຊ້ເຂົ້າໃນການສັງເຄາະ.

  ຕົວຢ່າງ, ໃນການແຜ່ກະຈາຍຄົງທີ່ປົກກະຕິທ່ານສາມາດຂໍໃຫ້ລະບົບສ້າງຮູບພາບທີ່ມີ "ແມວຢູ່ໃນເຮືອ". ນອກຈາກນັ້ນ, ທ່ານສາມາດຊີ້ແຈງລັກສະນະຂອງ cat ແລະເຮືອ, ແຕ່ມັນບໍ່ສາມາດຄາດເດົາໄດ້ວ່າ cat ແລະເຮືອຈະຖືກສັງເຄາະ. Textual-inversion ຊ່ວຍໃຫ້ທ່ານສາມາດຝຶກອົບຮົມລະບົບກ່ຽວກັບຮູບພາບຂອງ cat ຫຼືເຮືອຂອງທ່ານແລະສັງເຄາະຮູບພາບທີ່ມີ cat ຫຼືເຮືອສະເພາະ. ໃນລັກສະນະທີ່ຄ້າຍຄືກັນ, ມັນຍັງສາມາດທົດແທນອົງປະກອບຮູບພາບດ້ວຍວັດຖຸທີ່ແນ່ນອນ, ກໍານົດຕົວຢ່າງຂອງຮູບແບບສາຍຕາສໍາລັບການສັງເຄາະ, ແລະກໍານົດແນວຄວາມຄິດ (ຕົວຢ່າງ, ຈາກແນວພັນທັງຫມົດຂອງທ່ານຫມໍ, ທ່ານສາມາດນໍາໃຊ້ການຄັດເລືອກທີ່ຖືກຕ້ອງແລະມີຄຸນນະພາບສູງ. ໃນຮູບແບບທີ່ຕ້ອງການ).

  

• stability-diffusion-animation - ການສ້າງພາບເຄື່ອນໄຫວ (ເຄື່ອນທີ່) ໂດຍອີງໃສ່ interpolation ລະຫວ່າງຮູບພາບທີ່ສ້າງຂຶ້ນໃນ Stable Diffusion.
• stability_diffusion.openvino (ລະຫັດ) - ເປັນພອດຂອງ Stable Diffusion, ເຊິ່ງໃຊ້ພຽງແຕ່ CPU ສໍາລັບການຄິດໄລ່, ເຊິ່ງອະນຸຍາດໃຫ້ທົດລອງກ່ຽວກັບລະບົບທີ່ບໍ່ມີ GPUs ທີ່ມີປະສິດທິພາບ. ຕ້ອງການໂປເຊດເຊີທີ່ຮອງຮັບໃນຫ້ອງສະໝຸດ OpenVINO. ຢ່າງເປັນທາງການ, OpenVINO ໃຫ້ plugins ສໍາລັບໂປເຊດເຊີ Intel ທີ່ມີ AVX2, AVX-512, AVX512_BF16 ແລະ SSE extensions, ເຊັ່ນດຽວກັນກັບສໍາລັບ Raspberry Pi 4 Model B, Apple Mac mini ແລະ NVIDIA Jetson Nano boards. ໂດຍບໍ່ເປັນທາງການ, ມັນເປັນໄປໄດ້ທີ່ຈະໃຊ້ OpenVINO ໃນໂປເຊດເຊີ AMD Ryzen.
• sdamd ເປັນພອດສໍາລັບ AMD GPUs.
• ການປະຕິບັດເບື້ອງຕົ້ນຂອງການສັງເຄາະວິດີໂອ.
• stability-diffusion-gui, stability-diffusion-ui, Artbreeder Collage, diffuse-the-rest - ການໂຕ້ຕອບຮູບພາບສໍາລັບການສ້າງຮູບພາບໂດຍໃຊ້ Stable Diffusion.
• beta.dreamstudio.ai, Hugging Face Spaces, hlky Stable Diffusion WebUI - ການໂຕ້ຕອບເວັບສໍາລັບການສັງເຄາະຮູບພາບໂດຍໃຊ້ Stable Diffusion.
• Plugins ສໍາລັບການລວມ Stable Diffusion ກັບ GIMP, Figma, Blender ແລະ Photoshop.

ນອກຈາກນັ້ນ, ພວກເຮົາສາມາດສັງເກດເຫັນການພິມເຜີຍແຜ່ໂດຍ Google ຂອງລະຫັດຂອງລະບົບການຮຽນຮູ້ເຄື່ອງຈັກ RawNeRF (RAW Neural Radiance Fields), ເຊິ່ງອະນຸຍາດໃຫ້, ອີງຕາມຂໍ້ມູນຈາກຮູບພາບ RAW ຫຼາຍ, ເພື່ອປັບປຸງຄຸນນະພາບຂອງຮູບພາບທີ່ມີສຽງສູງທີ່ຖ່າຍໃນບ່ອນມືດແລະໃນ. ແສງສະຫວ່າງບໍ່ດີ. ນອກເຫນືອຈາກການກໍາຈັດສິ່ງລົບກວນ, ເຄື່ອງມືທີ່ພັດທະນາໂດຍໂຄງການເຮັດໃຫ້ມັນສາມາດເພີ່ມລາຍລະອຽດ, ລົບລ້າງແສງສະທ້ອນ, ສັງເຄາະ HDR ແລະການປ່ຽນແປງແສງສະຫວ່າງໂດຍລວມໃນຮູບ, ເຊັ່ນດຽວກັນກັບການສ້າງຕໍາແຫນ່ງສາມມິຕິຂອງວັດຖຸໂດຍໃຊ້ຮູບຖ່າຍຫຼາຍມຸມທີ່ແຕກຕ່າງກັນ, ປ່ຽນຈຸດເບິ່ງ, ໝູນໃຊ້ຈຸດສຸມ ແລະສ້າງຮູບເຄື່ອນທີ່.

ແຫຼ່ງຂໍ້ມູນ: opennet.ru