नयाँ खुला स्रोत छवि संश्लेषण प्रणाली स्थिर प्रसार प्रस्तुत गरियो

स्टेबल डिफ्युजन मेसिन लर्निङ सिस्टमसँग सम्बन्धित विकासहरू, जसले प्राकृतिक भाषामा पाठ विवरणमा आधारित छविहरूलाई संश्लेषण गर्दछ, पत्ता लगाइएको छ। परियोजना स्थिरता AI र रनवे, Eleuther AI र LAION समुदायहरू, र CompVis प्रयोगशाला (म्युनिख विश्वविद्यालयको भिजन र मेशिन लर्निङ अनुसन्धान प्रयोगशाला) का अनुसन्धानकर्ताहरूद्वारा संयुक्त रूपमा विकास भइरहेको छ। नतिजाको क्षमता र गुणस्तरको सन्दर्भमा, स्थिर प्रसार DALL-E 2 परियोजनासँग मिल्दोजुल्दो छ, तर खुला र सार्वजनिक परियोजनाको रूपमा विकास हुन्छ। स्थिर प्रसार को कार्यान्वयन पाइथन मा लेखिएको छ र MIT लाइसेन्स अन्तर्गत वितरित।

रेडिमेड मोडेलहरू हाल शैक्षिक संस्थाहरू र स्वतन्त्र अनुसन्धानकर्ताहरूलाई छुट्टै अनुरोधमा प्रदान गरिएको छ, तर विकासकर्ताहरूले परीक्षण पूरा भएपछि र पहिलो रिलीज तयार भएपछि तिनीहरूलाई सबैका लागि खोल्ने वाचा गर्छन्। 4000 NVIDIA A100 Ezra-1 GPUs को क्लस्टर र 5 बिलियन तस्बिरहरूको LAION-5.85B संग्रह पाठ विवरणहरू प्रणालीलाई तालिम दिन प्रयोग गरियो। छवि उत्पादन कम्पोनेन्टहरू प्रयोगकर्ता प्रणालीहरूमा चलाउनको लागि पर्याप्त हल्का रूपमा चिन्ह लगाइन्छ, उदाहरणका लागि, 512 × 512 को रिजोलुसनको साथ छविहरू संश्लेषण गर्न, यो प्रणालीमा 10GB भिडियो मेमोरीको साथ GPU हुनु पर्याप्त छ।

पाठ विवरणबाट छविहरूको संश्लेषणको अतिरिक्त, छविहरू परिमार्जन गर्नको लागि एक विकल्प प्रस्ताव गरिएको छ, जसले स्पष्ट पाठ प्रम्प्टहरू प्रयोग गरेर योजनाबद्ध स्केचहरूबाट चित्रहरू उत्पन्न गर्न सक्छ, छविहरू सम्पादन गर्न र परिवर्तन गर्न, वा जुम इन गर्दा हराएको विवरणहरू पुनर्स्थापित गर्न सक्छ। प्राकृतिक भाषा पाठ आदेशहरूमा आधारित भिडियो सम्पादनको लागि स्थिर प्रसारको एक संस्करण पनि विकासमा छ।

स्रोत: opennet.ru