Одно из главных событий последнего времени — это, конечно, выход DALL-E 2.
DALL-E 2 — это новая модель для генерации изображений по текстому описанию (и не только, об этом подробнее в постах ниже), которая показывает результаты просто шикарного качества 🔥
Давайте попытаемся разобраться, что же это за штука, как она работает и поглазеем на результаты =)
1. Путь от DALL-E к DALL-E 2
Если помните, DALL-E — это модель для генерации изображений по текстовому описанию. Первую версию DALL-E представили OpenAI в самом начале 2021 года. Эта модель была основана на архитектурах VAE и Transformer и ее очень грубо можно было описать как "GPT-3 для генерации картинок". Почитать подробнее о первой DALL-E можно в блоге OpenAI и в статье на архиве.
Примерно в то же время тот же OpenAI выпустил CLIP — мультимодальную модель, которая работает с картинками и текстом и маппит картинки и текст в одно общее пространство эмбеддингов. Такую модель можно использовать для решения многих задач, связанных с картинками и текстами, в zero-shot режиме (т.е. без дообучения). Например, можно заставить CLIP решать задачу классификации картинок, просто представив названия классов в виде текста на естественном языке. Подробнее об этом и о CLIP я писала в посте выше.
Также с недавнего времени популярность в генерации изображений стали набирать диффузионные модели (diffusion models). На момент осени 2021 года диффузионная модель Palette брала SOTA на сразу нескольких различных задачах генерации изображений. Подробнее об этом мы писали в посте выше.
Вскоре после этого всего, ближе к концу 2021 года, OpenAI выпускает модель GLIDE. Как и DALL-E, это модель для генерации изображений по текстовому описанию, но работает она чуть лучше, чем DALL-E. Основа GLIDE — диффузионные модели. За счет этого GLIDE умеет не только генерить картинки лучше своего предшественника, но и решать сопутствующие задачи, такие как дополнение частей картинки (image inpainting). О GLIDE читайте в этом посте.
Ну и, наконец, апрель 2022, наше время. OpenAI выпускает DALL-E 2. Эта модель основана на моделях CLIP + diffusion models. Как видите, это не совсем "вторая версия DALL-E", так как идеи их работы совершенно разные =) Однако по качеству генерации изображений DALL-E 2 просто шикарен, и по этому параметру действительно можно считать DALL-E 2 "следующим, вторым поколением генеративных моделей"
2 Архитектура DALL-E 2
DALL-E 2 объединяет идеи CLIP и диффузионных моделей.
Принцип работы DALL-E 2 очень прост: использовать CLIP для генерации эмбеддинга входящего текста, а затем генерировать изображение с помощью диффузионной модели, обусловленной на этот эмбеддинг текста. Диффузионная модель и CLIP при этом учатся совместно.
Иллюстрация архитектуры модели — на картинке к посту. Верхняя часть (над пунктирной линией) — иллюстрация обучения CLIP, нижняя часть — обучение диффузионной модели.
Принцип работы подробнее:
Обучающий датасет состоит из пар {x, y} = {изображение, его текстовое описание}.
- Прогоняем x через CLIP, получаем эмбеддинг t;
- Прогоняем y через CLIP, получаем эмбеддинг z (синий на картинке);
- Обучаем CLIP соотносить эмбеддинги t и z;
- Эмбеддинг z подаем в prior, который по тестовому эмбеддингу z генерирует эмбеддинг изображения t;
- Эмбеддинг t подается на вход диффузионной модели, которая генерирует картинку.
Подробнее о принципе работы — в статье от OpenAI
3. Результаты работы DALL-E 2
Так как DALL-E 2 основан на идеях CLIP и диффузии, модель может не только генерировать картинки по текстовому описанию, но и выполнять сопутствующие задачи. Например:
- дополнять части изображения;
- менять детали изображений, дополнять картинку деталями
- скрещивать несколько изображений (в том числе генерировать анимации с плавным переходом)
(^ по ссылкам — посты с примерами работы DALL-E 2 на этих задачах)
А вот еще несколько примеров работы DALL-E 2, от которых просто мурашки по коже. Ну насколько же хороша генерация!
- артбук из 100 изображений роботов by DALL-E 2
- собачки с вилами и пиццами (кажется, это косплей какой-то картины известной))
#машинноеобучение #нейронныесети #computerscience #codinglife #reactjs #technology #frontend #development #programmers #глубокоеобучение