激情六月丁香婷婷|亚洲色图AV二区|丝袜AV日韩AV|久草视频在线分类|伊人九九精品视频|国产精品一级电影|久草视频在线99|在线看的av网址|伊人99精品无码|午夜无码视频在线

高校合作1：010-59833514 ?咨詢電話：400-810-1418 服務(wù)與監(jiān)督電話：400-810-1418轉(zhuǎn)接2

麻省理工、Meta開源：無需人工標(biāo)注，創(chuàng)新文生圖模型

發(fā)布時(shí)間：2024-08-17 12:21:27 瀏覽量：221次

文生圖領(lǐng)域一直面臨著一個(gè)核心難題，就是有條件圖像生成的效果，遠(yuǎn)超無條件的圖像生成。有條件圖像生成是指模型在生成圖像的過程中，會額外使用類別、文本等輔助信息進(jìn)行指導(dǎo)，這樣可以更好地理解用戶的文本意圖，生成的圖像質(zhì)量也更高。

而無條件圖像生成完全基于模型自己學(xué)習(xí)的數(shù)據(jù)分布，難以形成有效的指導(dǎo)，所以，我們經(jīng)常會有的AI平臺生成的圖像驢唇不對馬嘴，或者圖像有重大缺陷。

為了解決這個(gè)問題，麻省理工學(xué)院和Meta的AI研究人員開發(fā)了RCG模型（Representation-Conditioned imageGeneration）。

RCG是一種創(chuàng)新性的“基于表示條件的圖像生成”模型。所謂“表示條件”，就是讓模型自己從數(shù)據(jù)中提取表示來進(jìn)行指導(dǎo)，而無需任何人工數(shù)據(jù)標(biāo)注。所以，RCG能以更小的消耗，生成與有指導(dǎo)模型相媲美的圖片。

開源地址：點(diǎn)擊咨詢

論文地址：點(diǎn)擊咨詢

從RCG的論文來看，其圖片生成流程采用了擬人化思路。先規(guī)劃出要生成圖片的大體輪廓，然后再根據(jù)這一構(gòu)思去繪制圖片的細(xì)節(jié)。

就像我們?nèi)祟惍嫯嬕粯?，先在大腦中構(gòu)思畫作的整體思路，例如，想畫一匹馬，先想象馬的形體；想畫一個(gè)蘋果，先想象個(gè)大紅色的圓球，然后根據(jù)整體“表示”畫出圖像的細(xì)節(jié)。

圖像編碼器

圖像編碼器的作用是從圖像中提取有意義的表示。這些表示在保留圖像的語義信息的同時(shí)，也要比較簡單、易于建模。

目前流行的自監(jiān)督學(xué)習(xí)算法主要可以分為兩大類:1）基于預(yù)訓(xùn)練任務(wù)，這類方法會人為設(shè)計(jì)一個(gè)預(yù)訓(xùn)練任務(wù)，讓模型去預(yù)測一些偽標(biāo)簽。比如旋轉(zhuǎn)預(yù)測任務(wù)，讓模型預(yù)測圖像被旋轉(zhuǎn)的角度等。
2）基于對比學(xué)習(xí)，這類方法會構(gòu)造正樣本和負(fù)樣本。讓模型學(xué)會區(qū)分和拉遠(yuǎn)它們在表示空間的距離，代表性算法包括MoCo、SimCLR等。

實(shí)驗(yàn)證明，基于對比學(xué)習(xí)方法，可以獲得更加有效的圖像表示，因此RCG選擇了這種方式，并使用了MoCo v3進(jìn)行預(yù)訓(xùn)練，這是圖像分類任務(wù)上效果最優(yōu)的自監(jiān)督對比學(xué)習(xí)算法之一。

為了使表示維度可控，RCG使用了帶有預(yù)測頭的Transformer模型。預(yù)測頭會規(guī)劃成256維的向量，這樣就獲得了編碼器輸出的表示。該表示同時(shí)還進(jìn)行了歸一化處理，以符合高斯分布。

表示生成模塊

在提取到圖像的表示之后，下一步就是對這些表示進(jìn)行采樣。通常，我們希望模型可以捕捉表示空間的分布，具有生成各種新穎表示的能力，從而指導(dǎo)下游的圖像生成。

為此，RCG提出了表示擴(kuò)散模型RDM。它使用全連接網(wǎng)絡(luò)作為主干，包含數(shù)個(gè)殘差塊。每個(gè)塊里面包括激活函數(shù)、線性層等。

RDM模塊訓(xùn)練時(shí)，采用了DDIM算法。即先將真實(shí)圖像表示加入高斯噪聲，讓RDM去除噪音并重構(gòu)原始表示；生成時(shí)，從完全噪聲表示出發(fā)，逐步采樣清晰的表示。

RDM模塊的參數(shù)和計(jì)算量很小，因此即使增加塊數(shù)和寬度，也不會帶來太大的額外負(fù)擔(dān)。這樣我們可以充分發(fā)掘表示空間的豐富信息，指導(dǎo)下游生成。

像素生成器

提取表示并對其建模之后，最后一步就是根據(jù)表示來生成圖像像素。RCG中的像素生成器可以使用任意的條件圖像生成模型，只需要將原有的條件（比如類別標(biāo)簽）替換為RDM生成的表示即可。

訓(xùn)練時(shí)，MAGE接收帶有遮蔽（Mask）的圖像作為輸入，其中帶X的是被遮蔽的，同時(shí)也輸入對應(yīng)圖像的表示，然后學(xué)習(xí)重構(gòu)被遮蔽的內(nèi)容。

為了驗(yàn)證RCG模型的效果，研究團(tuán)隊(duì)基于ImageNet測試平臺中的256×256數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)。

結(jié)果顯示，RCG的FID分?jǐn)?shù)為3.56和IS的253.4，超過了之前最好的無條件生成模型MAGE的結(jié)果，與當(dāng)前狀態(tài)最好的有條件模型CDM差不多。

本文素材來源RCG論文，如有侵權(quán)請聯(lián)系刪除

END

熱門課程推薦

熱門資訊

請綁定手機(jī)號

獲取驗(yàn)證碼
x

同學(xué)您好！

您已成功報(bào)名0元試學(xué)活動，老師會在第一時(shí)間與您取得聯(lián)系，請保持電話暢通！
確定