एक परत काफी है: Apple रिसर्च ने AI को इमेज बनाना सिखाने का स्मार्ट तरीका खोजा

मुख्य बातें

• Apple ML Research ने निष्कर्ष प्रकाशित किए जो दिखाते हैं कि एक पूर्व-प्रशिक्षित विजुअल एनकोडर की केवल एक परत को अनुकूलित करना AI इमेज जनरेशन गुणवत्ता में सुधार के लिए पर्याप्त है।
• यह शोध डिफ्यूजन मॉडल्स को लक्ष्य करता है, Stable Diffusion और Midjourney जैसे लोकप्रिय इमेज जेनरेटर के पीछे की तकनीक, जो धीरे-धीरे विजुअल शोर को परिष्कृत करके चित्र बनाते हैं।
• पेपर जो मुख्य समस्या हल करता है वह यह है कि AI कैसे इमेज को "समझता" है और कैसे उन्हें "बनाता" है, दो कार्य जो विपरीत दिशाओं में खींचते हैं।
• यह तकनीक भविष्य के इमेज जेनरेटर को ऐसी चित्र बनाने में मदद दे सकती है जो विस्तृत और टेक्स्ट प्रॉम्प्ट के प्रति सच दोनों हों, बिना पूरे मॉडल को फिर से प्रशिक्षित करने की जरूरत के।

जब आप AI इमेज जेनरेटर में कोई विवरण टाइप करते हैं और एक चित्र दिखते हैं, तो दो बहुत अलग तरह की कृत्रिम बुद्धिमत्ता काम पर होती है। एक तरह की इमेज को समझना सीखती है: वस्तुओं की पहचान करना, दृश्य पढ़ना, अर्थ समझना। दूसरी तरह इमेज बनाना सीखती है: ऐसे पिक्सल पेंट करना जो प्रशंसनीय लगें और आपके शब्दों से मेल खाएं। शोधकर्ता लंबे समय से दोनों कौशलों को एक ही प्रणाली में संयोजित करना चाहते हैं। परेशानी यह है कि वे मौलिक रूप से अलग तरीकों से बनाई गई हैं।

Apple ML Research ने अब एक अध्ययन प्रकाशित किया है, जिसकी पहली बार रिपोर्टिंग इसके अपने शोध चैनलों के माध्यम से हुई है, जो दिखाता है कि इस अंतर को आश्चर्यजनक रूप से छोटे परिवर्तन के साथ पाटा जा सकता है।

मुख्य अंतर्दृष्टि में कुछ शामिल है जिसे VAE कहा जाता है, जो विविधतापूर्ण ऑटोएन्कोडर के लिए है। एक VAE को इमेज जेनरेटर के अंदर कम्प्रेशन इंजन के रूप में सोचें। यह पूरी इमेज को एक कॉम्पैक्ट गणितीय सारांश में संपीड़ित करता है, जेनरेटर उस छोटे स्थान में अपना काम करता है, और फिर VAE सब कुछ एक दृश्यमान चित्र में विस्तारित करता है। समस्या यह है कि कॉम्पैक्ट सारांश जो इमेज बनाने के लिए आदर्श हैं, वे उन्हें समझने के लिए आदर्श समृद्ध, विस्तृत प्रतिनिधित्व के समान नहीं हैं।

इसे ठीक करने के पिछले प्रयासों के लिए मॉडल के बड़े हिस्सों को फिर से प्रशिक्षित करने की आवश्यकता थी, जो महंगा है और अक्सर अन्य जगहों को नुकसान पहुंचाता था। Apple टीम को पता चला कि वे इसके बजाय एक शक्तिशाली पूर्व-प्रशिक्षित विजुअल एनकोडर ले सकते हैं, एक ऐसा नेटवर्क जो पहले से ही इमेज समझने में विशेषज्ञ है, और जेनरेटर की भाषा बोलने के लिए केवल इसकी एक परत को अनुकूलित कर सकते हैं। एक परत। बस।

समायोजित एनकोडर जनरेशन प्रक्रिया को इसके खिलाफ लड़े बिना अधिक समृद्ध विजुअल जानकारी सौंपता है। परिणाम, शोधकर्ताओं के अनुसार, ऐसी इमेज हैं जो तेज हैं और मूल प्रॉम्प्ट के प्रति अधिक वफादार हैं, वर्तमान सिस्टम को त्रस्त करने वाली धुंधलेपन या छूटी हुई विस्तृति के साथ कम।

सामान्य उपयोगकर्ताओं के लिए, व्यावहारिक लाभ सीधा है। इस दृष्टिकोण पर निर्मित बेहतर इमेज जेनरेटर को आप जो वास्तव में चाहते हैं उसे बनाने के लिए कम ट्रायल-और-एरर प्रॉम्प्टिंग की आवश्यकता होगी। व्यवसाय जो विपणन, डिजाइन, या उत्पाद दृश्य के लिए AI इमेज उपकरण का उपयोग करते हैं, वे कम अनुपयोगी आउटपुट देख सकते हैं।

यह शोध भी महत्वपूर्ण है क्योंकि यह कुशल है। विशाल नए कंप्यूटिंग संसाधनों की मांग करने के बजाय, यह दिखाता है कि मौजूदा मॉडल्स में सावधानीपूर्वक, लक्षित परिवर्तन वास्तविक लाभ प्रदान कर सकते हैं। यह एक क्षेत्र के लिए एक सार्थक दिशा है जो अक्सर हर समस्या के उत्तर के रूप में "इसे बड़ा बनाएं" पर डिफॉल्ट करता है।

यह आज AI इमेज उपकरण का उपयोग करने वाले लोगों के लिए क्या मायने रखता है?

तुरंत कुछ नहीं बदलता। यह प्रकाशित शोध है, कोई उत्पाद अपडेट नहीं। लेकिन इस तरह की तकनीकें आमतौर पर प्रकाशन के बाद कुछ महीने से लेकर एक या दो साल के भीतर वाणिज्यिक उपकरणों में फिल्टर होती हैं, जैसे ही विकासकर्ता अपने सिस्टम में निष्कर्षों को एकीकृत करते हैं। अगर आप अभी AI इमेज जेनरेटर का उपयोग करते हैं, तो व्यावहारिक सलाह सरल है: अपने पसंदीदा उपकरण से संस्करण अपडेट पर नजर रखें, क्योंकि आउटपुट गुणवत्ता में सुधार अक्सर ठीक इस तरह की मौलिक शोध पर वापस जाते हैं।

इन निष्कर्षों का श्रेय पेपर के पीछे Apple ML Research टीम को जाता है।