Засоби впровадження генеративних зображень за допомогою машинного навчання моделей (в контексті створення мультимедійного контенту)

Abstract

Можливо, найважливішим досягненням останнього десятиліття в галузі комп’ютерного бачення та машинного навчання став винахід GAN (Generative Adversarial Networks) — методу, який запровадив можливість мислити за межами того, що вже було присутнє в даних, кроком у цілковито новій галузі, яка тепер називається генеративним моделюванням. Однак, пройшовши через фазу підйому, GAN почали стикатися з плато, коли більшість методів намагалися вирішити деякі вузькі місця, з якими стикалися змагальні методи. Справа не в окремих методах, а в змагальності самої проблеми. З випуском Dall-E 2, Imagen, Stable Diffusion і Midjourney дифузійні моделі захопили світ штурмом, надихаючи на творчість і розсуваючи межі машинного навчання. Ці моделі можуть генерувати майже нескінченну різноманітність зображень із текстових підказок, у тому числі фотореалістичні, фантастичні, футуристичні та, звичайно, чарівні. Ці можливості переосмислюють, що для людства означає взаємодія з технологіями, надаючи нам здібності створювати майже будь-які зображення, які ми можемо уявити. Але, навіть з їх розширеними можливостями дифузійні моделі мають обмеження. Однак, оскільки ці моделі постійно вдосконалюються або наступна генеративна парадигма бере верх, вони дозволять людству створювати зображення, відео та інші захоплюючі враження простою думкою.