Téknik Ajakan
Titingalian anu langkung caket kana OpenAI DALL-E 3
dina AI Generatif dunya, tetep nepi ka panganyarna nyaeta nami kaulinan. Sarta lamun datang ka ngahasilkeun gambar, Difusi stabil sarta tengah perjalanan mangrupikeun platform anu diomongkeun ku sadayana - dugi ka ayeuna.
OpenAI, dirojong ku raksasa téknologi Microsoft, diwanohkeun DALL E 3 dina 20 Séptémber 2023.
DALL-E 3 henteu ngan ngeunaan nyieun gambar; Éta ngeunaan ngahirupkeun ideu anjeun, sapertos anu anjeun bayangkeun. Jeung bagian pangalusna? Éta gancang, siga, gancang pisan. Anjeun gaduh ide, anjeun tuang ka DALL-E 3, sareng booming, gambar anjeun parantos siap.
Janten, dina tulisan ieu, urang badé teuleum langkung jero kana naon éta DALL-E 3. Kami bakal ngobrol ngeunaan kumaha éta jalanna, naon anu ngabédakeunana sareng anu sanés, sareng naha éta ngan ukur alat anu anjeun henteu terang anu anjeun peryogikeun. Naha anjeun desainer, seniman, atanapi ngan ukur jalma anu seueur ideu anu saé, anjeun bakal hoyong tetep pikeun ieu. Hayu urang ngamimitian.
Naon nu anyar kalawan DALL · E 3 éta meunang konteks leuwih hadé ti DALL · E 2. Vérsi saméméhna bisa geus lasut kaluar dina sababaraha specifics atawa dipaliré sababaraha rinci di ditu di dieu, tapi DALL · E 3 nyaeta on titik. Éta nyandak detil anu pasti ngeunaan naon anu anjeun naroskeun, masihan anjeun gambar anu langkung caket kana anu anjeun bayangkeun.
Bagian anu keren? DALL · E 3 jeung Ngobrol GPT ayeuna dihijikeun babarengan. Aranjeunna gawé bareng pikeun mantuan nyaring gagasan anjeun. Anjeun moto konsép, ChatGPT mantuan dina fine-tuning ajakan, sarta DALL · E 3 brings eta hirup. Upami anjeun henteu resep gambar, anjeun tiasa naroskeun ka ChatGPT pikeun ngarobih ajakan sareng kéngingkeun DALL·E 3 pikeun cobian deui. Pikeun biaya bulanan $ 20, anjeun nampi aksés ka GPT-4, DALL·E 3, sareng seueur fitur keren anu sanés.
Microsoft urang bingchat ngagaduhan DALL·E 3 bahkan sateuacan OpenAI's ChatGPT, sareng ayeuna sanés ngan ukur perusahaan ageung tapi saha waé anu tiasa maénkeun éta gratis. Integrasi kana Bing Chat sareng Bing Image Creator ngajantenkeun langkung gampang dianggo pikeun saha waé.
Kebangkitan Model Difusi
Dina 3 taun ka tukang, visi AI geus nyaksian kebangkitan model difusi, nyandak kabisat signifikan ka hareup, utamana dina generasi gambar. Sateuacan model difusi, Generative Adversarial Networks (GAN) Éta mangrupikeun téknologi pikeun ngahasilkeun gambar anu réalistis.
GAN
Tapi, aranjeunna gaduh bagian tina tantangan kalebet kabutuhan jumlah data sareng kakuatan komputasi anu ageung, anu sering ngajantenkeun aranjeunna hésé pikeun diurus.
asup difusi modél. Aranjeunna muncul salaku alternatif anu langkung stabil sareng efisien pikeun GAN. Teu kawas GANs, model difusi beroperasi ku nambahkeun noise kana data, obscuring eta nepi ka ngan randomness tetep. Aranjeunna teras damel mundur pikeun ngabalikeun prosés ieu, ngarekonstruksikeun data anu bermakna tina noise. Prosés ieu geus kabuktian éféktif jeung kurang sumberdaya-intensif, sahingga model difusi topik panas di komunitas AI.
Titik balik nyata sumping sakitar 2020, kalayan séri makalah inovatif sareng perkenalan CLIP OpenAI téhnologi, nu nyata maju kamampuhan model difusi '. Ieu ngajantenkeun modél difusi saé pisan dina sintésis téks-ka-gambar, ngamungkinkeun aranjeunna ngahasilkeun gambar réalistis tina déskripsi tékstual. Terobosan ieu henteu ngan ukur dina generasi gambar, tapi ogé dina widang sapertos komposisi musik jeung panalungtikan biomédis.
Kiwari, modél difusi sanés ngan ukur topik anu dipikaresep ku akademis tapi dianggo dina skénario praktis, dunya nyata.
Modeling Generatif sareng Lapisan Perhatosan Diri: DALL-E 3
Salah sahiji kamajuan kritis dina widang ieu nyaéta évolusi modeling generatif, kalayan pendekatan dumasar sampling sapertos modeling generatif autoregressive sareng prosés difusi ngarah jalan. Aranjeunna parantos ngarobih modél téks-ka-gambar, ngarah kana perbaikan kinerja anu drastis. Ku ngarecah generasi gambar kana hambalan diskrit, model ieu geus jadi leuwih tractable tur gampang pikeun jaringan saraf pikeun neuleuman.
Dina paralel, pamakéan lapisan timer perhatian geus maénkeun peran krusial. Lapisan ieu, ditumpuk babarengan, geus mantuan dina ngahasilkeun gambar tanpa merlukeun bias spasial implisit, masalah umum kalawan convolutions. Pergeseran ieu ngamungkinkeun modél téks-ka-gambar pikeun skala sareng ningkatkeun sacara dipercaya, kusabab pasipatan skala trafo anu kahartos.
Tantangan sareng Solusi dina Generasi Gambar
Sanajan kamajuan ieu, controllability dina generasi gambar tetep tangtangan. Isu sapertos ajakan nuturkeun, dimana modélna henteu caket kana téks input, parantos kaprah. Pikeun alamat ieu, pendekatan anyar kayaning pamutahiran caption geus diajukeun, aimed di enhancing kualitas téks na gambar pairings dina datasets latihan.
Perbaikan Caption: Pendekatan Novel
Perbaikan caption ngalibatkeun ngahasilkeun captions kualitas hadé pikeun gambar, nu salajengna mantuan dina latihan model téks-to-gambar leuwih akurat. Hal ieu dihontal ku captioner gambar anu kuat anu ngahasilkeun déskripsi gambar anu lengkep sareng akurat. Ku latihan dina captions ningkat ieu DALL-E 3 geus bisa ngahontal hasil anu luar biasa, raket resembling foto jeung karya seni dihasilkeun ku manusa.
Latihan dina Data Sintétik
Konsep latihan dina data sintétik henteu anyar. Nanging, kontribusi anu unik di dieu nyaéta dina nyiptakeun novél, sistem captioning gambar deskriptif. Dampak ngagunakeun caption sintétik pikeun ngalatih modél generatif parantos ageung, ngarah kana paningkatan kamampuan modél pikeun nuturkeun paréntah sacara akurat.
Meunteun DALL-E 3
Ngaliwatan sababaraha evaluasi sarta babandingan jeung model saméméhna kawas DALL-E 2 jeung Stable Difusi XL, DALL-E 3 geus nunjukkeun kinerja unggul, utamana dina tugas nu patali jeung ajakan handap.
Babandingan model téks-to-gambar dina rupa evaluasi
Pamakéan évaluasi otomatis sareng tolok ukur parantos nyayogikeun bukti anu jelas ngeunaan kamampuanna, nguatkeun posisina salaku generator téks-to-gambar anu canggih.
DALL-E 3 Ajakan jeung Kamampuh
DALL-E 3 nawiskeun pendekatan anu langkung logis sareng halus pikeun nyiptakeun visual. Nalika anjeun ngagulung, anjeun bakal perhatikeun kumaha DALL-E ngadamel unggal gambar, kalayan campuran akurasi sareng imajinasi anu cocog sareng pituduh anu dipasihkeun.
Beda sareng anu miheulaan na, versi anu ditingkatkeun ieu unggul dina nyusun objék sacara alami dina adegan sareng ngagambarkeun fitur manusa sacara akurat, dugi ka jumlah ramo anu leres dina panangan. Perbaikan ngalegaan ka detil anu langkung saé sareng ayeuna sayogi dina résolusi anu langkung luhur, mastikeun kaluaran anu langkung réalistis sareng profésional.
Kamampuhan rendering téks ogé parantos ningkat sacara signifikan. Dimana DALL-E versi saméméhna ngahasilkeun téks gibberish, DALL-E 3 ayeuna bisa ngahasilkeun hurup kabaca jeung gaya profésional (kadangkala), komo logos bersih dina kasempetan.
Pamahaman modél ngeunaan paménta gambar anu rumit sareng bernuansa parantos ningkat sacara signifikan. DALL-E 3 ayeuna bisa akurat nuturkeun déskripsi lengkep, sanajan dina skenario kalawan sababaraha elemen jeung parentah husus, demonstrating kamampuhna pikeun ngahasilkeun gambar koheren jeung well-diwangun. Hayu urang ngajalajah sababaraha ajakan sareng kaluaran masing-masing anu urang kéngingkeun:
Design the packaging for a line of organic teas. Include space for the product name and description.
Gambar DALL-E 3 dumasar kana paréntah téks (Catetan yén poster kénca ngagaduhan éjahan anu salah)
Create a web banner advertising a summer sale on outdoor furniture. The image feature a beach setting with different pieces of outdoor furniture, and text announcing 'Huge Summer Savings!'
DALL-E 3 gambar dumasar kana téks prompts
A vintage travel poster of Paris with bold and stylized text saying 'Visit Paris' at the bottom.
Gambar DALL-E 3 dumasar kana paréntah téks (Catetan yén duanana poster gaduh éjahan anu salah)
A bustling scene of the Diwali festival in India, with families lighting lamps, fireworks in the sky, and traditional sweets and decorations.DALL-E 3 gambar dumasar kana téks prompts
A detailed marketplace in ancient Rome, with people in period-appropriate clothing, various goods for sale, and architecture of the time.
DALL-E 3 gambar dumasar kana téks prompts
Generate an image of a famous historical figure, like Cleopatra or Leonardo da Vinci, placed in a contemporary setting, using modern technology like smartphones or laptops.
DALL-E 3 gambar dumasar kana téks prompts
Watesan & Résiko DALL-E 3
OpenAI parantos nyandak léngkah anu penting pikeun nyaring eusi eksplisit tina data pelatihan DALL-E 3, tujuanana pikeun ngirangan bias sareng ningkatkeun kaluaran modél. Ieu kalebet aplikasi saringan khusus pikeun kategori eusi sénsitip sareng révisi ambang pikeun saringan anu langkung lega. Tumpukan mitigasi ogé ngawengku sababaraha lapisan safeguards, kayaning mékanisme panolakan di ChatGPT pikeun jejer sénsitip, klasifikasi input ajakan pikeun nyegah palanggaran kawijakan, blocklists pikeun kategori eusi husus, sarta transformasi pikeun mastikeun prompts align jeung tungtunan.
Sanajan kamajuanana, DALL-E 3 boga watesan dina pamahaman hubungan spasial, rendering téks panjang akurat, sarta generating imagery husus. OpenAI ngaku tangtangan ieu sareng ngusahakeun perbaikan pikeun vérsi anu bakal datang.
Pausahaan ogé ngusahakeun cara pikeun ngabédakeun gambar anu dihasilkeun ku AI ti anu dilakukeun ku manusa, ngagambarkeun komitmenna kana transparansi sareng panggunaan AI anu tanggung jawab.
DALL E 3
DALL-E 3, versi panganyarna, bakal sadia dina fase dimimitian ku grup customer husus sarta engké ngembangna ka labs panalungtikan sarta jasa API. Nanging, tanggal rilis umum gratis henteu acan dikonfirmasi.
OpenAI sabenerna netepkeun standar anyar dina widang AI jeung DALL-E 3, seamlessly bridging kamampuhan teknis kompléks jeung interfaces ramah-pamaké. Integrasi DALL-E 3 kana platform anu seueur dianggo sapertos Bing ngagambarkeun peralihan tina aplikasi khusus kana bentuk hiburan sareng utilitas anu langkung lega.
The game-changer nyata dina taun datang dipikaresep bakal kasaimbangan antara inovasi jeung pemberdayaan pamaké. Perusahaan anu maju bakal janten jalma anu henteu ngan ukur nyorong wates naon anu tiasa dihontal ku AI, tapi ogé nyayogikeun pangguna otonomi sareng kontrol anu dipikahoyong. OpenAI, kalayan komitmenna kana AI etika, nganapigasi jalur ieu sacara saksama. Tujuanana jelas: nyiptakeun alat AI anu henteu ngan kuat, tapi ogé tiasa dipercaya sareng inklusif, mastikeun yén mangpaat AI tiasa diaksés ku sadayana.
 |
