🥇चित्र संश्लेषण आणि रात्रीच्या फोटोंमध्ये आवाज कमी करण्यासाठी मशीन लर्निंग सिस्टम

स्थिरता AI ने स्थिर डिफ्यूजन मशीन लर्निंग सिस्टमसाठी तयार मॉडेल प्रकाशित केले आहेत, जे नैसर्गिक भाषेतील मजकूराच्या वर्णनावर आधारित प्रतिमांचे संश्लेषण आणि बदल करण्यास सक्षम आहेत. मॉडेल्सना व्यावसायिक वापरासाठी परवानगी असलेल्या क्रिएटिव्ह ML OpenRAIL-M परवान्याअंतर्गत परवाना दिला जातो. सिस्टमला प्रशिक्षित करण्यासाठी, 4000 NVIDIA A100 Ezra-1 GPU चा क्लस्टर आणि LAION-5B संग्रह, मजकूर वर्णनासह 5.85 अब्ज प्रतिमांचा वापर करण्यात आला. पूर्वी, न्यूरल नेटवर्कला प्रशिक्षण देण्यासाठी आणि प्रतिमा निर्माण करण्यासाठी साधनांचा कोड एमआयटी परवान्याअंतर्गत मुक्त स्रोत होता.

रेडीमेड मॉडेलची उपलब्धता आणि अगदी माफक सिस्टीम आवश्यकता ज्यामुळे एखाद्याला मानक GPU सह पीसीवर प्रयोग सुरू करण्याची परवानगी मिळते, यामुळे अनेक संबंधित प्रकल्पांचा उदय झाला आहे:

टेक्स्टुअल-इनव्हर्शन (कोड) - एक अॅड-ऑन जो तुम्हाला दिलेल्या वर्ण, ऑब्जेक्ट किंवा शैलीसह प्रतिमा संश्लेषित करण्यास अनुमती देतो. मूळ स्थिर प्रसारामध्ये, संश्लेषित प्रतिमांमधील वस्तू यादृच्छिक आणि अनियंत्रित असतात. प्रस्तावित अॅड-ऑन तुम्हाला तुमच्या स्वतःच्या व्हिज्युअल ऑब्जेक्ट्स जोडण्याची, त्यांना कीवर्डशी बांधून ठेवण्याची आणि संश्लेषणामध्ये वापरण्याची परवानगी देते.
उदाहरणार्थ, नियमित स्टेबल डिफ्यूजनमध्ये तुम्ही सिस्टमला “बोटमधील मांजर” असलेली प्रतिमा तयार करण्यास सांगू शकता. याव्यतिरिक्त, आपण मांजर आणि बोटीची वैशिष्ट्ये स्पष्ट करू शकता, परंतु कोणती मांजर आणि बोट संश्लेषित केली जाईल हे अप्रत्याशित आहे. मजकूर-विपर्यास आपल्याला आपल्या मांजरीच्या किंवा बोटीच्या प्रतिमेवर सिस्टमला प्रशिक्षित करण्यास आणि विशिष्ट मांजर किंवा बोटीसह प्रतिमा संश्लेषित करण्यास अनुमती देते. त्याच प्रकारे, ते प्रतिमा घटकांना विशिष्ट वस्तूंसह पुनर्स्थित करू शकते, संश्लेषणासाठी दृश्य शैलीचे उदाहरण सेट करू शकते आणि संकल्पना निर्दिष्ट करू शकते (उदाहरणार्थ, डॉक्टरांच्या संपूर्ण विविधतेमधून, आपण अधिक अचूक आणि उच्च-गुणवत्तेची निवड वापरू शकता. इच्छित शैलीमध्ये).
स्थिर-प्रसरण-अॅनिमेशन - स्थिर प्रसारामध्ये व्युत्पन्न केलेल्या चित्रांमधील इंटरपोलेशनवर आधारित अॅनिमेटेड (हलवत) प्रतिमांची निर्मिती.
stable_diffusion.openvino (कोड) - स्थिर प्रसाराचे एक पोर्ट, जे मोजणीसाठी फक्त CPU वापरते, जे शक्तिशाली GPU शिवाय सिस्टमवर प्रयोग करण्यास अनुमती देते. OpenVINO लायब्ररीमध्ये समर्थित प्रोसेसर आवश्यक आहे. अधिकृतपणे, OpenVINO इंटेल प्रोसेसरसाठी AVX2, AVX-512, AVX512_BF16 आणि SSE विस्तार, तसेच Raspberry Pi 4 Model B, Apple Mac mini आणि NVIDIA Jetson Nano बोर्डसाठी प्लगइन प्रदान करते. अनधिकृतपणे, AMD Ryzen प्रोसेसरवर OpenVINO वापरणे शक्य आहे.
sdamd हे AMD GPU साठी एक पोर्ट आहे.
व्हिडिओ संश्लेषणाची प्रारंभिक अंमलबजावणी.
stable-diffusion-gui, stable-diffusion-ui, Artbreeder Collage, diffuse-the-rest - स्थिर प्रसार वापरून प्रतिमा निर्माण करण्यासाठी ग्राफिकल इंटरफेस.
beta.dreamstudio.ai, हगिंग फेस स्पेस, hlky स्टेबल डिफ्यूजन WebUI - स्टेबल डिफ्यूजन वापरून इमेज सिंथेसिससाठी वेब इंटरफेस.
जीआयएमपी, फिग्मा, ब्लेंडर आणि फोटोशॉपसह स्थिर प्रसार एकत्रित करण्यासाठी प्लगइन.

याव्यतिरिक्त, आम्ही Google द्वारे RawNeRF (RAW Neural Radiance Fields) मशीन लर्निंग सिस्टमच्या कोडचे प्रकाशन लक्षात घेऊ शकतो, जे अनेक RAW प्रतिमांवरील डेटाच्या आधारे, अंधारात आणि आत घेतलेल्या अत्यंत गोंगाट करणाऱ्या प्रतिमांची गुणवत्ता सुधारण्यास अनुमती देते. खराब प्रकाश. आवाज दूर करण्याव्यतिरिक्त, प्रकल्पाद्वारे विकसित केलेल्या साधनांमुळे तपशील वाढवणे, चकाकी दूर करणे, HDR संश्लेषित करणे आणि छायाचित्रांमधील एकंदर प्रकाश बदलणे तसेच विविध कोनातून अनेक छायाचित्रे वापरून वस्तूंची त्रिमितीय स्थिती पुन्हा तयार करणे शक्य होते. दृष्टिकोन बदला, फोकस हाताळा आणि हलणारी चित्रे निर्माण करा.

स्त्रोत: opennet.ru

प्रतिमा संश्लेषण आणि रात्रीच्या फोटोंमध्ये आवाज कमी करण्यासाठी मशीन लर्निंग सिस्टम

एक टिप्पणी जोडा Отменить ответ