This media is not supported in your browser
VIEW IN TELEGRAM
#معرفی_مقاله_جدید #OpenAI
مدل های سازگاری (Consistency Models) یک کلاس قدرتمند از مدل های Diffusion هستند که سرعت تولید نمونه بالایی دارند، در این مقاله که توسط تیم دکتر Yang Song در شرکت OpenAI کار شده است، تنها با دو گام نمونه برداری از لحاظ کیفیت تصویر و کوچک بودن مدل به نتایج مشابه مدل های Diffusion دست یافته اند.
لینک مقاله:
▪️ Simplifying, Stabilizing and Scaling Continuous-Time Consistency Models
لینک معرفی مقاله در سایت OpenAI:
https://openai.com/index/simplifying-stabilizing-and-scaling-continuous-time-consistency-models/
#مقاله #ایده_جذاب
#Consistency_Models
#Diffusion_Models
#Generative_models
🔸 مطالب بیشتر 👇👇
✅ @AI_DeepMind
🔸 @AI_Person
مدل های سازگاری (Consistency Models) یک کلاس قدرتمند از مدل های Diffusion هستند که سرعت تولید نمونه بالایی دارند، در این مقاله که توسط تیم دکتر Yang Song در شرکت OpenAI کار شده است، تنها با دو گام نمونه برداری از لحاظ کیفیت تصویر و کوچک بودن مدل به نتایج مشابه مدل های Diffusion دست یافته اند.
لینک مقاله:
▪️ Simplifying, Stabilizing and Scaling Continuous-Time Consistency Models
لینک معرفی مقاله در سایت OpenAI:
https://openai.com/index/simplifying-stabilizing-and-scaling-continuous-time-consistency-models/
#مقاله #ایده_جذاب
#Consistency_Models
#Diffusion_Models
#Generative_models
🔸 مطالب بیشتر 👇👇
✅ @AI_DeepMind
🔸 @AI_Person
👍7❤2
در این مقاله یک روش جدید برای بهبود فرآیند تولید متن به تصویر بر پایه مدلهای #Diffusion پرداخته شده است. روش InstaFlow با استفاده از فرآیندی به نام Reflow و با تکیه بر اصلاح اتصال بین نویز و تصویر، مدل Stable Diffusion را به یک مدل تکمرحلهای سریع تبدیل میکند. بطوریکه روی مجموعه دادههای MS COCO زمان تولید تصاویر را به کمتر از 0.09 ثانیه کاهش داده است.
◾️ InstaFlow: One Step is Enough for High-Quality Diffusion-Based Text-to-Image Generation
لینک کد مقاله به همراه مدل های pretrain شده:
https://github.com/gnobitab/InstaFlow
#مقاله #ایده_جذاب
#Generative_Models
#Diffusion_Models
🔸 مطالب بیشتر 👇👇
✅ @AI_DeepMind
🔸 @AI_Person
◾️ InstaFlow: One Step is Enough for High-Quality Diffusion-Based Text-to-Image Generation
لینک کد مقاله به همراه مدل های pretrain شده:
https://github.com/gnobitab/InstaFlow
#مقاله #ایده_جذاب
#Generative_Models
#Diffusion_Models
🔸 مطالب بیشتر 👇👇
✅ @AI_DeepMind
🔸 @AI_Person
❤3👍3🔥1
یکی از مفاهیم بنیادین در #هوش_مصنوعی این هست که دادههای باکیفیت در محل قلههای توزیع احتمال داده ها قرار دارند و هرچه از این قلهها دور شویم، کیفیت دادهها پایینتر میاد.
به طور مثال اگه یک دیتاست از تصاویر حیوانات داشته باشیم، عکسهای واقعی حیوانات مطابق تصویر فوق روی قله های توزیع هستن،ولی هرچی از قله ها دورتر شویم،تصاویر بیکیفیت مثل عکسهای نویزی،مخدوش و یا عجیبغریب بیشتر میشوند.
اساس کار اکثر مدلهای #مدلهای_مولد از جمله مدل های #GAN مدلهای #diffusion این است که مدل به گونه ای آموزش بینند که بتواند دادههای پراکنده در نقاط مختلف توزیع را به سمت قلههای توزیع که داده های باکیفیت آنجا هستند ببرد.یعنی اگر یک تصویر نویزی یا مخدوش به مدل بدهیم،مدل این تصویر را به یک تصویر باکیفیتتر و واقعیتر تبدیل میکند.حتی اگر ورودی هم یک تصویر کاملاً نویزی باشد،مدل سعی میکند آن را به یک تصویر روی یکی از قله های توزیع تبدیل کند وبه این صورت است که یک تصویر جدید تولید میشود.
(برگرفته از منبع)
پ ن: اگر در این زمینه نکته یا سوالی داشتید لطفا کامنت کنید
#Generative_Models
🔸 مطالب بیشتر 👇👇
✅ @AI_DeepMind
🔸 @AI_Person
به طور مثال اگه یک دیتاست از تصاویر حیوانات داشته باشیم، عکسهای واقعی حیوانات مطابق تصویر فوق روی قله های توزیع هستن،ولی هرچی از قله ها دورتر شویم،تصاویر بیکیفیت مثل عکسهای نویزی،مخدوش و یا عجیبغریب بیشتر میشوند.
اساس کار اکثر مدلهای #مدلهای_مولد از جمله مدل های #GAN مدلهای #diffusion این است که مدل به گونه ای آموزش بینند که بتواند دادههای پراکنده در نقاط مختلف توزیع را به سمت قلههای توزیع که داده های باکیفیت آنجا هستند ببرد.یعنی اگر یک تصویر نویزی یا مخدوش به مدل بدهیم،مدل این تصویر را به یک تصویر باکیفیتتر و واقعیتر تبدیل میکند.حتی اگر ورودی هم یک تصویر کاملاً نویزی باشد،مدل سعی میکند آن را به یک تصویر روی یکی از قله های توزیع تبدیل کند وبه این صورت است که یک تصویر جدید تولید میشود.
(برگرفته از منبع)
پ ن: اگر در این زمینه نکته یا سوالی داشتید لطفا کامنت کنید
#Generative_Models
🔸 مطالب بیشتر 👇👇
✅ @AI_DeepMind
🔸 @AI_Person
👍27❤1👌1