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

麻省理工、Meta開源：無需人工標注，創(chuàng)新文生圖模型

發(fā)布時間：2024-08-17 12:21:27 瀏覽量：219次

文生圖領域一直面臨著一個核心難題，就是有條件圖像生成的效果，遠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、文本等輔助信息進行指導，這樣可以更好地理解用戶的文本意圖，生成的圖像質量也更高。

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

為了解決這個問題，麻省理工學院和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)中提取表示來進行指導，而無需任何人工數(shù)據(jù)標注。所以，RCG能以更小的消耗，生成與有指導模型相媲美的圖片。

開源地址：點擊咨詢

論文地址：點擊咨詢

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)這一構思去繪制圖片的細節(jié)。

就像我們人類畫畫一樣，先在大腦中構思畫作的整體思路，例如，想畫一匹馬，先想象馬的形體；想畫一個蘋果，先想象個大紅色的圓球，然后根據(jù)整體“表示”畫出圖像的細節(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，也要比較簡單、易于建模。

目前流行的自監(jiān)督學習算法主要可以分為兩大類:1）基于預訓練任務，這類方法會人為設計一個預訓練任務，讓模型去預測一些偽標簽。比如旋轉預測任務，讓模型預測圖像被旋轉的角度等。
2）基于對比學習，這類方法會構造正樣本和負樣本。讓模型學會區(qū)分和拉遠它們在表示空間的距離，代表性算法包括MoCo、SimCLR等。

實驗證明，基于對比學習方法，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進行預訓練，這是圖像分類任務上效果最優(yōu)的自監(jiān)督對比學習算法之一。

為了使表示維度可控，RCG使用了帶有預測頭的Transformer模型。預測頭會規(guī)劃成256維的向量，這樣就獲得了編碼器輸出的表示。該表示同時還進行了歸一化處理，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，從而指導下游的圖像生成。

為此，RCG提出了表示擴散模型RDM。它使用全連接網絡作為主干，包含數(shù)個殘差塊。每個塊里面包括激活函數(shù)、線性層等。

RDM模塊訓練時，采用了DDIM算法。即先將真實圖像表示加入高斯噪聲，讓RDM去除噪音并重構原始表示；生成時，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擔。這樣我們可以充分發(fā)掘表示空間的豐富信息，指導下游生成。

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（比如類別標簽）替換為RDM生成的表示即可。

訓練時，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，同時也輸入對應圖像的表示，然后學習重構被遮蔽的內容。

為了驗證RCG模型的效果，研究團隊基于ImageNet測試平臺中的256×256數(shù)據(jù)集進行了實驗。

結果顯示，RCG的FID分數(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的結果，與當前狀態(tài)最好的有條件模型CDM差不多。

本文素材來源RCG論文，如有侵權請聯(lián)系刪除

END

熱門課程推薦

熱門資訊

請綁定手機號

獲取驗證碼
x

同學您好！

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