Omnigen：画像生成への統一されたアプローチ

生成基盤モデルは、多様なタスクにわたって大規模な言語モデル（LLM）が優れているため、自然言語処理（NLP）に革命をもたらしました。ただし、視覚生成の分野には、単一のフレームワーク内で複数のタスクを処理できる統一モデルがまだ欠けています。安定した拡散、DALL-E、イメージンなどの既存のモデルは、特定のドメインに優れていますが、汎用性とスケーラビリティを制限するControlNetやInstantPix2Pixなどのタスク固有の拡張機能に依存しています。

Omnigenは、画像生成のための統一されたフレームワークを導入することにより、このギャップに対処します。従来の拡散モデルとは異なり、Omnigenは、変分自動エンコーダー（VAE）とトランスモデルのみを含む簡潔なアーキテクチャを備えており、外部タスク固有のコンポーネントの必要性を排除します。この設計により、Omnigenは任意のインターリーブテキストと画像入力を処理することができ、単一モデル内のテキストから画像の生成、画像編集、制御可能な生成などの幅広いタスクを可能にします。

Omnigenは、テキストからイメージの生成のためにベンチマークに優れているだけでなく、目に見えないタスクやドメイン全体の堅牢な転送学習、新興能力、推論も示しています。

学習目標

• 変分自動エンコーダー（VAE）の統合と、統一された画像生成のためのトランスモデルの統合など、オムニゲンのアーキテクチャと設計の原則を把握します。
• オムニゲンがインターリーブしたテキストと画像入力を処理して、テキストから画像の生成、画像編集、サブジェクト駆動型のカスタマイズなどの多様なタスクを処理する方法を学びます。
• Omnigenの修正フローベースの最適化と進歩的な解像度トレーニングを分析して、生成的パフォーマンスと効率への影響を理解します。
• 複雑な詳細と目に見えない画像タイプの処理における制約を認めながら、生成アート、データ増強、インタラクティブなデザインなど、Omnigenの実際のアプリケーションを発見します。

目次

• 学習目標
• オムニゲンモデルアーキテクチャとトレーニング方法論
• 注意メカニズムを理解する
• 推論プロセスを理解する
• 効果的なトレーニング戦略
• 統一された画像生成を進めます
• オムニゲンを使用します
• オムニゲンの制限
• アプリケーションと将来の方向
• 結論
• よくある質問

オムニゲンモデルアーキテクチャとトレーニング方法論

このセクションでは、モデルの設計原則、アーキテクチャ、革新的なトレーニング戦略に焦点を当てたOmnigenフレームワークを検討します。

モデル設計原則

現在の拡散モデルはしばしば制限に直面し、テキストからイメージの生成などの特定のタスクに対する使いやすさを制限します。機能を拡張するには、通常、追加のタスク固有のネットワークを統合することが含まれます。タスク固有のネットワークは面倒で、多様なタスク全体で再利用性がありません。 Omnigenは、2つのコアデザイン原則を順守することにより、これらの課題に対処します。

• 普遍性：複数のタスクのさまざまな形式の画像とテキスト入力を受け入れる機能。
• 簡潔さ：過度に複雑なデザインや多数の追加コンポーネントの必要性を回避します。

ネットワークアーキテクチャ

Omnigenは、変分自動エンコーダー（VAE）と事前に訓練された大型トランスモデルを統合する革新的なアーキテクチャを採用しています。

• VAE：入力画像から連続的な潜在的な視覚的特徴を抽出します。 OmnigenはSDXL VAEを使用します。これは、トレーニング中に凍結されたままです。
• トランスモデル： PHI-3で初期化され、堅牢なテキスト処理機能を活用すると、マルチモーダル入力に基づいて画像を生成します。

プリプロシング入力条件に個別のエンコーダー（クリップまたは画像エンコーダーなど）に依存する従来の拡散モデルとは異なり、全米はすべての条件付き情報を本質的にエンコードし、パイプラインを大幅に簡素化します。また、単一のフレームワーク内でテキストと画像を共同でモデル化し、モダリティ間の相互作用を強化します。

入力形式と統合

Omnigenは、フリーフォームのマルチモーダルプロンプト、インターリーブテキスト、画像を受け入れます。

• テキスト：PHI-3トークネザーを使用してトークン化。
• 画像：Vaeを介して処理され、単純な線形層を使用して視覚トークンのシーケンスに変換されます。位置埋め込みは、これらのトークンに適用され、より良い表現が行われます。
• 画像テキスト統合：各画像シーケンスは、特別なトークン（「」および「」）でカプセル化され、シーケンスのテキストトークンと組み合わされています。

注意メカニズムを理解する

注意メカニズムはAIのゲームチェンジャーであり、モデルが複雑なタスクを処理しながら最も関連性の高いデータに焦点を合わせることができます。トランスの動力剤からNLPとコンピュータービジョンの革新まで、この概念は機械学習システムの効率と精度を再定義しました。

Omnigenは、標準の因果関係メカニズムを修正して、画像モデリングを強化します。

• すべてのシーケンス要素に因果関係を適用します。
• 個々の画像シーケンス内の双方向の注意を使用して、画像内のパッチが対話できるようにしながら、画像が以前のシーケンス（テキストまたは以前の画像）にのみ参加するようにします。

推論プロセスを理解する

推論プロセスは、AIモデルが学習パターンを新しいデータに適用し、トレーニングを実用的な予測に変換する場所です。これは、実世界のアプリケーションを使用したモデルトレーニング、業界全体の洞察と自動化を促進する最後のステップです。

Omnigenは、推論のためにフローマッチング方法を使用します。

• ガウスノイズはサンプリングされ、ターゲット速度を予測するために繰り返し洗練されます。
• 潜在表現は、VAEを使用して画像にデコードされます。
• デフォルトの50の推論ステップで、OmnigenはKVキャッシュメカニズムを活用して、GPUにキー価値状態を保存してプロセスを加速し、冗長計算を削減します。

効果的なトレーニング戦略

Omnigenは、従来のDDPMメソッドとは異なる最適化のために修正フローアプローチを採用しています。ノイズとデータの間の直線的に補間し、モデルをトレーニングして、ノイズされたデータ、タイムステップ、条件情報に基づいてターゲット速度を直接回帰します。

トレーニングの目的は、加重平均四角エラー損失を最小限に抑え、画像編集タスクで変更が発生する領域を強調して、モデルが変化しない領域に過剰に適合しないようにします。

パイプライン

Omnigenは、画像解像度の増加で徐々に訓練し、データ効率と審美的な品質のバランスを取ります。

• オプティマイザ
  • β=（0.9,0.999）のAdamw。
• ハードウェア
  • すべての実験は、104 A800 GPUで行われます。
• ステージ

解像度、手順、バッチサイズ、学習レートを含むトレーニングの詳細については、以下に概説します。

ステージ	画像解像度	トレーニングステップ（k）	バッチサイズ	学習率
1	256×256	500	1040	1E-4
2	512×512	300	520	1E-4
3	1024×1024	100	208	4E-5
4	2240×2240	30	104	2E-5
5	複数	80	104	2E-5

Omnigenは、革新的なアーキテクチャと効率的なトレーニング方法論を通じて、拡散モデルに新しいベンチマークを設定し、幅広いアプリケーションに汎用性と高品質の画像生成を可能にします。

統一された画像生成を進めます

画像生成で堅牢なマルチタスク処理を可能にするために、大規模で多様な基盤を構築することが不可欠でした。 Omnigenは、モデルがさまざまなタスクにわたって汎用性と適応性にどのようにアプローチするかを再定義することにより、これを達成します。

重要な革新には次のものがあります。

• テキストからイメージの生成：
  • 幅広いデータセットを活用して、幅広い画像テキスト関係をキャプチャします。
  • 合成注釈と高解像度の画像コレクションを通じて出力品質を向上させます。

• マルチモーダル機能：
  • 編集、仮想トライオン、スタイル転送などのタスクのテキストと画像の柔軟な入力の組み合わせを有効にします。
  • 生成中の正確な空間制御のための高度な視覚条件を組み込みます。

• サブジェクト主導のカスタマイズ：
  • 特定のオブジェクトまたはエンティティを中心とした画像を生成するための焦点を絞ったデータセットと手法を紹介します。
  • 関連性と品質を向上させるために、新しいフィルタリング方法と注釈方法を利用します。

• ビジョンタスクの統合：
  • セグメンテーション、深度マッピング、イメージ生成との入力などの従来のコンピュータービジョンタスクを組み合わせています。
  • 新しいシナリオでの生成パフォーマンスを改善するために、知識移転を促進します。

• 少ないショット学習：
  • 例駆動型のトレーニングアプローチを通じて、コンテキスト内学習を強化します。
  • 効率を維持しながら、モデルの適応性を向上させます。

これらの進歩を通じて、Omnigenは、統一されたインテリジェントな画像生成機能を達成し、多様なタスク間のギャップを埋め、画期的なアプリケーションへの道を開くためのベンチマークを設定します。

オムニゲンを使用します

Omnigenは、ローカル環境で働いているか、Google Colabを使用しているかにかかわらず、簡単に始められます。以下の指示に従って、TextまたはMulti-Modal入力から画像を生成するためにOmnigenをインストールして使用します。

インストールとセットアップ

Omnigenをインストールするには、GitHubリポジトリのクローニングとパッケージのインストールから始めます。

Omnigenリポジトリをクローンします：

 git clone https://github.com/vectorspacelab/omnigen.git
CDオムニゲン
ピップインストール-e 
ピップインストールOmnigen

オプション：競合を避けたい場合は、専用の環境を作成します。

 ＃Python 3.10.13 Conda環境を作成します（virtualenvも使用できます）
Conda Create -N Omnigen Python = 3.10.13
コンドラはオムニゲンを活性化します

＃適切なCUDAバージョンでpytorchをインストールする（例：CU118）
PIPインストールTORCH == 2.3.1 CU118 TORCHVISION -EXTRA-INDEX-URL https://download.pytorch.org/whl/cu118
！ピップインストールOmnigen
＃クローンとインストールOmnigen
git clone https://github.com/vectorspacelab/omnigen.git
CDオムニゲン
ピップインストール-e。

Omnigenがインストールされると、画像の生成を開始できます。以下は、Omnigenパイプラインの使用方法の例です。

画像生成からテキスト

Omnigenを使用すると、テキストプロンプトから画像を生成できます。お茶を飲んでいる男性のイメージを生成する簡単な例を次に示します。

 Omnigen Import OmnigenPipelineから

pipe = omnigenpipeline.from_pretrained（ "shitao/omnigen-v1"）

＃テキストから画像を生成します
画像=パイプ（
    PROMPT = '' '現実的な写真。若い女性がソファに座って、 
    本を持ってカメラに面しています。彼女はデリケートを着ています 
    シルバーフープイヤリングは、小さな輝くダイヤモンドで飾られています 
    彼女の長い栗の髪がカスケードされて、それが光をキャッチします 
    彼女の肩の上。彼女の目は集中して優しく、額装されています 
    長くて暗いまつげで。彼女は居心地の良いクリームのセーターを着ています、 
    彼女の温かく魅力的な笑顔を補完します。彼女の後ろ、そこ 
    洗練されたミニマリストの青いマグカップに水を1杯入れたテーブルです。 
    背景は柔らかい自然光のある穏やかな屋内環境です
     上品なアートと花で飾られた窓からろ過、 
     居心地の良い平和な雰囲気を作り出します。 4K、HD '' '、 
    高さ= 1024、 
    width = 1024、 
    Guidance_scale = 2.5、
    シード= 0、
））
画像[0] .save（ "emple_t2i.png"）＃生成された画像を保存します
画像[0] .show（）

画像生成からマルチモーダル

また、テキストと画像が組み合わされているマルチモーダル生成には全網を使用することもできます。入力の一部として画像が含まれている例は次のとおりです。

 ＃テキストと提供された画像で画像を生成する
画像=パイプ（
    PROMP = "<img  src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174226875770560.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="Omnigen：画像生成への統一されたアプローチ" >  <img  src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174226875770560.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="Omnigen：画像生成への統一されたアプローチ" > \ n女性のイヤリングを取り外します。マグカップを、きらめくアイスコーラで満たされた透明なガラスに置き換えます。
。 "、
    input_images = ["./ imgs/demo_cases/edit.png
「]、
    高さ= 1024、 
    width = 1024、
    Guidance_scale = 2.5、 
    img_guidance_scale = 1.6、
    シード= 0
））
画像[0] .save（ "example_ti2i.png"）＃生成された画像を保存します

コンピュータービジョン機能

次の例は、OmnigenのAdvanced Computer Vision（CV）機能、特に画像入力から人間の骨格を検出してレンダリングする能力を示しています。このタスクは、テキストの命令と画像を組み合わせて、正確なスケルトン検出結果を生成します。

 PILインポート画像から

＃スケルトン検出のプロンプトを定義します
PROMP = "この画像で人間のスケルトンを検出する：<img  src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174226875978150.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="Omnigen：画像生成への統一されたアプローチ" >  <img  src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174226875978150.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="Omnigen：画像生成への統一されたアプローチ" >"
input_images = ["./imgs/demo_cases/edit.png"]

＃スケルトン検出で出力画像を生成します
画像=パイプ（
    プロンプト=プロンプト、 
    input_images = input_images、 
    高さ= 1024、 
    width = 1024、
    Guidance_scale = 2、 
    img_guidance_scale = 1.6、
    シード= 333
））

＃出力を保存して表示します
画像[0] .save（ "./ imgs/demo_cases/skeletal.png"）

＃入力画像を表示します
print（ "入力画像："）
input_imagesのIMGの場合：
    image.open（img）.show（）

＃出力画像を表示します
print（ "output："）
画像[0] .show（）

オムニゲンとの対象主導の世代

この例は、複数の入力画像からプロンプトに記載されている個人を識別し、これらの被験者のグループ画像を生成するオムニジェンの主題主導型の能力を示しています。このプロセスはエンドツーエンドであり、外部認識やセグメンテーションを必要とせず、複雑なマルチソースシナリオの処理におけるOmnigenの柔軟性を紹介します。

 PILインポート画像から

＃対象主導の生成のプロンプトを定義します
prompt =（
    「教授と少年が一緒に本を読んでいます。」
    「教授は<img  src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174226876123951.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="Omnigen：画像生成への統一されたアプローチ" >  の中間者です。」
    「少年は<img  src="/static/imghwm/default1.png" data-src="https://img.php.cn/upload/article/000/000/000/174226876123951.jpg?x-oss-process=image/resize,p_40" class="lazy" alt="Omnigen：画像生成への統一されたアプローチ" >  の本を持っている少年です。」
））
input_images = ["./imgs/demo_cases/ai_pioneers.jpg"、 "./imgs/demo_cases/same_pose.png"]]

＃説明された被験者を使用して出力画像を生成します
画像=パイプ（
    プロンプト=プロンプト、 
    input_images = input_images、 
    高さ= 1024、 
    width = 1024、
    Guidance_scale = 2.5、 
    img_guidance_scale = 1.6、
    departer_cfg_infer = true、
    シード= 0
））

＃生成された画像を保存して表示します
画像[0] .save（ "./ imgs/demo_cases/entity.png"）

＃入力画像を表示します
print（ "入力画像："）
input_imagesのIMGの場合：
    image.open（img）.show（）

＃出力画像を表示します
print（ "output："）
画像[0] .show（）

対象主導の能力：私たちのモデルは、記述された主題をマルチパーソン画像で識別し、複数のソースから個人のグループ画像を生成できます。このエンドツーエンドのプロセスでは、オムニジェンの柔軟性と汎用性を強調する追加の認識やセグメンテーションは必要ありません。

オムニゲンの制限

• テキストレンダリング：短いテキストセグメントを効果的に処理しますが、より長いテキストの正確な出力の生成に苦労しています。
• トレーニングの制約：リソースの制約により、トレーニング中に最大3つの入力画像に制限され、長い画像シーケンスを管理するモデルの能力が妨げられます。
• 詳細精度：生成された画像には、特に小さいまたは複雑な詳細では、不正確さが含まれる場合があります。
• 目に見えない画像タイプ：表面正常推定に使用されるものなど、トレーニングされていない画像タイプを処理できません。

アプリケーションと将来の方向

オムニゲンの汎用性は、異なる分野で多数のアプリケーションを開きます。

• ジェネレーティブアート：アーティストはオムニゲンを利用して、テキストプロンプトや大まかなスケッチからアートワークを作成できます。
• データ増強：研究者は、コンピュータービジョンモデルをトレーニングするための多様なデータセットを生成できます。
• インタラクティブな設計ツール：デザイナーは、ユーザーの入力に基づいてリアルタイムの画像編集と生成を可能にするツールでOmnigenを活用できます。

オムニゲンが進化し続けるにつれて、将来の反復はその能力をさらに拡大し、より高度な推論メカニズムを組み込み、複雑なタスクでのパフォーマンスを強化する可能性があります。

結論

Omnigenは、テキストと画像の入力を統一されたフレームワークに組み合わせた革新的な画像生成モデルであり、安定した拡散やDall-Eなどの既存のモデルの制限を克服します。変動自動エンコーダー（VAE）とトランスモデルを統合することにより、テキストから画像の生成や画像編集などの多用途のタスクを可能にしながら、ワークフローを簡素化します。マルチモーダル生成、被験者主導のカスタマイズ、少数のショット学習などの機能により、オムニゲンは生成アートやデータ増強などの分野で新しい可能性を開きます。長いテキスト入力や細かい詳細を備えた課題など、いくつかの制限にもかかわらず、Omnigenは視覚的なコンテンツ作成の未来を形作るように設定されており、多様なアプリケーションに強力で柔軟なツールを提供します。

キーテイクアウト

• Omnigenは、変動自動エンコーダー（VAE）とトランスモデルを組み合わせて画像生成タスクを合理化し、ControlNetやInstantPix2Pixなどのタスク固有の拡張機能の必要性を排除します。
• このモデルは、テキストと画像の入力を効果的に統合し、テキストから画像の生成、画像編集、外部認識やセグメンテーションなしでサブジェクト駆動型グループ画像作成などの多用途のタスクを可能にします。
• 整流フローの最適化やプログレッシブ解像度のスケーリングなどの革新的なトレーニング戦略を通じて、オムニゲンは効率を維持しながら、タスク全体で堅牢なパフォーマンスと適応性を達成します。
• オムニゲンは生成アート、データの増強、インタラクティブな設計ツールに優れていますが、複雑な詳細をレンダリングし、訓練を受けていない画像タイプを処理し、将来の進歩の余地を残すことに課題に直面しています。

よくある質問

Q1。オムニゲンとは何ですか？

A. Omnigenは、テキストから画像の生成、画像編集、マルチモーダル生成（テキストと画像の組み合わせ）など、さまざまなタスクを処理するように設計された統一画像生成モデルです。従来のモデルとは異なり、Omnigenはタスク固有の拡張機能に依存せず、より汎用性の高いスケーラブルなソリューションを提供します。

Q2。オムニゲンが他の画像生成モデルと違うのはなぜですか？

A. Omnigenは、変分自動エンコーダー（VAE）とトランスモデルを組み合わせた単純なアーキテクチャのために際立っています。これにより、テキスト入力と画像入力の両方を統一されたフレームワークで処理でき、追加のコンポーネントや変更を必要とせずに幅広いタスクを可能にします。

Q3。オムニゲンを実行するためのシステム要件は何ですか？

A.オムニゲンを効率的に実行するには、CUDA対応GPUを備えたシステムが推奨されます。このモデルはA800 GPUでトレーニングされており、推論プロセスはキー値キャッシュメカニズムを使用してGPU加速度の利点があります。

この記事に示されているメディアは、Analytics Vidhyaが所有しておらず、著者の裁量で使用されています。

以上がOmnigen：画像生成への統一されたアプローチの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。