検索
ホームページテクノロジー周辺機器AIAI 次元削減が人間のペインターを攻撃し、ヴィンセント グラフが ControlNet に導入され、深さとエッジ情報が完全に再利用可能になります

大規模なテキスト画像モデルの出現により、魅力的な画像の生成は非常に簡単になり、ユーザーは指の動きで簡単なプロンプトを入力するだけで済みます。一連の操作を通じてイメージを取得した後、必然的にいくつかの疑問が生じます。プロンプトに基づいて生成されたイメージは要件を満たしているか?ユーザーから提起されるさまざまな要件に対処するには、どのようなアーキテクチャを構築する必要があるか?大規模なモデルでも、特定のタスクにおいて数十億の画像から得られる利点と機能を維持できるでしょうか?

これらの質問に答えるために、スタンフォードの研究者はさまざまな画像処理アプリケーションについて多数の調査を実施し、次の 3 つの発見に至りました。

まず第一に、特定のフィールドで利用可能なデータは、実際には一般的なモデルをトレーニングするためのデータよりも少ないです。これは主に、たとえば、特定の問題 (ジェスチャー理解、など) は通常 100k 未満で、大規模データセットよりも小さいです。マルチモーダル テキスト画像データセット LAION 5B は 5 × 10^4 桁小さいです。これには、ニューラル ネットワークがモデルの過剰適合を回避するために堅牢であること、および特定の問題を対象とする場合に適切な一般化ができることが必要です。

第 2 に、画像タスクのデータ駆動型処理を使用する場合、大規模なコンピューティング クラスターが常に利用できるとは限りません。ここで、高速トレーニング方法、つまり許容可能な時間とメモリ空間内で特定のタスクに合わせて大規模なモデルを最適化できる方法が重要になります。さらに、後続の処理で微調整、転移学習、その他の操作が必要になる場合があります。

最後に、画像処理プロセスで遭遇するさまざまな問題には、さまざまな定義形式があります。これらの問題を解決する際、画像拡散アルゴリズムは「手続き型」の方法で調整することができます。たとえば、ノイズ除去プロセスの制約、多頭注意の活性化の編集などですが、これらの手作りのルールは基本的に人間の指示によって指示されます。深度画像、ポーズ人物などのいくつかの特定のタスクを考慮すると、これらの問題は基本的に生の入力を解釈してオブジェクト レベルまたはシーン レベルで理解する必要があるため、手作りの手続き型アプローチは実現可能性が低くなります。したがって、複数のタスクでソリューションを提供するには、エンドツーエンドの学習が不可欠です。

上記の発見に基づいて、この論文では、追加の条件を追加することで拡散モデル (安定拡散など) を制御できるエンドツーエンドのニューラル ネットワーク アーキテクチャ ControlNet を提案します。グラフの改善や、線画からのフルカラー画像の生成、同じ奥行き構造の画像の生成、手のキーポイントによる手の生成の最適化などが可能です。

論文アドレス: https://arxiv.org/pdf/2302.05543.pdf

プロジェクトアドレス: https://github.com/lllyasviel/ControlNet

効果の表示

それでは、ControlNet の効果とは何でしょうか?

キャニーエッジ検出:元画像から線画を抽出することで、同じ構図の画像を生成できます。

AI 次元削減が人間のペインターを攻撃し、ヴィンセント グラフが ControlNet に導入され、深さとエッジ情報が完全に再利用可能になります

#奥行き検出: 元の画像の奥行き情報を抽出することで、同じ奥行き構造を持つマップを生成できます。 。

AI 次元削減が人間のペインターを攻撃し、ヴィンセント グラフが ControlNet に導入され、深さとエッジ情報が完全に再利用可能になります

セマンティック セグメンテーションを使用した ControlNet:

学習ベースの使用ハフ変換は Places2 から直線を検出し、BLIP を使用して字幕を生成します。

AI 次元削減が人間のペインターを攻撃し、ヴィンセント グラフが ControlNet に導入され、深さとエッジ情報が完全に再利用可能になります

#HED エッジ検出の図。

AI 次元削減が人間のペインターを攻撃し、ヴィンセント グラフが ControlNet に導入され、深さとエッジ情報が完全に再利用可能になります

#人間の姿勢認識の図。

メソッドの紹介

ControlNet は、タスク固有の条件で事前トレーニングされた画像拡散モデルを強化するニューラル ネットワーク アーキテクチャです。まず、ControlNet の基本構造を見てみましょう。

ControlNet は、ニューラル ネットワーク ブロックの入力条件を操作し、それによってニューラル ネットワーク全体の全体的な動作をさらに制御します。ここで「ネットワーク ブロック」とは、resnet ブロック、マルチヘッド アテンション ブロック、Transformer ブロックなど、ニューラル ネットワークを構築するための共通の単位としてまとめられるニューラル層のグループを指します。

2D 特徴を例として、特徴マップ x ϵ R^h×w×c を指定します。ここで、{h, w, c} は高さ、幅、チャネル数です。それぞれ。パラメータ Θ のセットを持つニューラル ネットワーク ブロック F (・; Θ) は、以下の式 (1) に示すように、x を別の特徴マップ y に変換します。

AI 次元削減が人間のペインターを攻撃し、ヴィンセント グラフが ControlNet に導入され、深さとエッジ情報が完全に再利用可能になります

#このプロセスを以下の図 2-(a) に示します。

AI 次元削減が人間のペインターを攻撃し、ヴィンセント グラフが ControlNet に導入され、深さとエッジ情報が完全に再利用可能になります

#ニューラル ネットワーク ブロックは、重み 1×1 である「ゼロ畳み込み」と呼ばれる独自の畳み込み層によって接続されます。初期化とバイアスがゼロの畳み込み層。研究者は、ゼロ畳み込み演算を Z (・;・) で表し、次の式 (2) に示すように、2 つのパラメーター インスタンス {Θ_z1, Θ_z2} を使用して ControlNet 構造を形成します。

AI 次元削減が人間のペインターを攻撃し、ヴィンセント グラフが ControlNet に導入され、深さとエッジ情報が完全に再利用可能になります

ここで、y_c は、以下の図 2-(b) に示すように、ニューラル ネットワーク ブロックの出力になります。

#画像拡散モデルにおける ControlNet

#研究者は、安定拡散を例として、ControlNet コントロールの使用方法を紹介しました。 - タスク固有の条件を備えたスケール拡散モデル。安定拡散は、数十億の画像でトレーニングされた大規模なテキストから画像への拡散モデルであり、本質的にはエンコーダー、中間ブロック、および残差接続デコーダーで構成される U-net です。

以下の図 3 に示すように、研究者は ControlNet を使用して U-net の各層を制御します。ここでの ControlNet の接続方法は計算効率が高いことに注意してください。元の重みがロックされているため、元のエンコーダーでの勾配計算にはトレーニングが必要ありません。また、元のモデルの勾配計算の半分が削減されるため、トレーニングが高速化され、GPU メモリが節約されます。 ControlNet を使用して安定拡散モデルをトレーニングするには、トレーニング反復ごとに約 23% 多くの GPU メモリと 34% 多くの時間を必要とするだけです (単一の Nvidia A100 PCIE 40G でテスト)。

AI 次元削減が人間のペインターを攻撃し、ヴィンセント グラフが ControlNet に導入され、深さとエッジ情報が完全に再利用可能になります

#具体的には、研究者らは ControlNet を使用して、トレーニング可能なコピーである 12 個のエンコード ブロックと 1 個の安定拡散中間ブロックを作成しました。 12 のコーディング ブロックには、64×64、32×32、16×16、および 8×8 の 4 つの解像度があり、各解像度に 3 つのブロックがあります。出力は、12 の残りの接続と 1 つの中間ブロックとともに U-net に追加されます。 Stable Diffusion は典型的な U-net 構造であるため、この ControlNet アーキテクチャは他の拡散モデルでも使用できる可能性があります。

トレーニングとトレーニングの強化

画像 z_0 が与えられると、拡散アルゴリズムは画像に徐々にノイズを追加し、ノイズ画像 z_t、t はノイズを追加する回数です。 t が十分に大きい場合、画像は純粋なノイズに近似します。以下の式 (10) に示すように、タイム ステップ t、テキスト プロンプト c_t、およびタスク固有の条件 c_f を含む一連の条件が与えられると、画像拡散アルゴリズムはネットワーク ϵ_θ を学習して、ノイズのある画像 z_t に追加されるノイズを予測します。

トレーニング プロセス中に、研究者らはテキスト プロンプト c_t の 50% を空の文字列にランダムに置き換えました。これは、入力条件マップからセマンティック コンテンツを識別する ControlNet の機能にとって有益です。

さらに、研究者らは、特にコンピューティング デバイスが非常に限られている場合 (ラップトップなど)、または非常に強力な場合 (大規模なコンピュータなど)、ControlNet のトレーニングを改善するためのいくつかの戦略についても議論しました。 GPU が利用可能)、コンピューティング クラスター)。

技術的な詳細については、元の論文を参照してください。

以上がAI 次元削減が人間のペインターを攻撃し、ヴィンセント グラフが ControlNet に導入され、深さとエッジ情報が完全に再利用可能になりますの詳細内容です。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。

声明
この記事は51CTO.COMで複製されています。侵害がある場合は、admin@php.cn までご連絡ください。
Google GeminiをTableau Dashboardsに統合する方法は?Google GeminiをTableau Dashboardsに統合する方法は?Apr 11, 2025 am 09:27 AM

TableauでGoogle Geminiのパワーを利用するダッシュボード:AI駆動の強化 Tableauの堅牢な視覚化機能、データ準備(Tableau Prep Builder)、データストーリーテリング(Tableau Desktop)、およびCollaborative共有(Table

ベクトル埋め込みとは何ですか?タイプとユースケースベクトル埋め込みとは何ですか?タイプとユースケースApr 11, 2025 am 09:18 AM

ベクトル埋め込みのパワーのロックを解除:生成AIのガイド あなたの言語を話さない人にラグ(検索拡張生成)を説明することを想像してください - 困難な仕事ですよね? 今、マシンを検討してください

SQLのネストされたクエリSQLのネストされたクエリApr 11, 2025 am 09:17 AM

導入 内部に入れ子になった本が入った本を含む膨大な図書館を検索することを想像してみてください。 特定の情報を見つけるには、最初に小さな情報を参照してから、その情報を使用して大きな本を見つけます。これは概念を示しています

条項Where SQLを理解します条項Where SQLを理解しますApr 11, 2025 am 09:07 AM

SQL WHERE句:包括的なガイド 句はSQLステートメントの基本的なコンポーネントであり、レコードのフィルタリングとデータベースから特定のデータの取得に使用されます。 膨大な顧客データベースを想像してください - ここで句を使用すると、ピン留めすることができます

最高の迅速なエンジニアリング技術の最新の年次編集最高の迅速なエンジニアリング技術の最新の年次編集Apr 10, 2025 am 11:22 AM

私のコラムに新しいかもしれない人のために、具体化されたAI、AI推論、AIのハイテクブレークスルー、AIの迅速なエンジニアリング、AIのトレーニング、AIのフィールディングなどのトピックなど、全面的なAIの最新の進歩を広く探求します。

ヨーロッパのAI大陸行動計画:GigaFactories、Data Labs、Green AIヨーロッパのAI大陸行動計画:GigaFactories、Data Labs、Green AIApr 10, 2025 am 11:21 AM

ヨーロッパの野心的なAI大陸行動計画は、人工知能のグローバルリーダーとしてEUを確立することを目指しています。 重要な要素は、AI GigaFactoriesのネットワークの作成であり、それぞれが約100,000の高度なAIチップを収容しています。

Microsoftの簡単なエージェントストーリーは、より多くのファンを作成するのに十分ですか?Microsoftの簡単なエージェントストーリーは、より多くのファンを作成するのに十分ですか?Apr 10, 2025 am 11:20 AM

AIエージェントアプリケーションに対するMicrosoftの統一アプローチ:企業の明確な勝利 新しいAIエージェント機能に関するマイクロソフトの最近の発表は、その明確で統一されたプレゼンテーションに感銘を受けました。 TEで行き詰まった多くのハイテクアナウンスとは異なり

従業員へのAI戦略の販売:Shopify CEOのマニフェスト従業員へのAI戦略の販売:Shopify CEOのマニフェストApr 10, 2025 am 11:19 AM

Shopify CEOのTobiLütkeの最近のメモは、AIの能力がすべての従業員にとって基本的な期待であると大胆に宣言し、会社内の重大な文化的変化を示しています。 これはつかの間の傾向ではありません。これは、pに統合された新しい運用パラダイムです

See all articles

ホットAIツール

Undresser.AI Undress

Undresser.AI Undress

リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover

AI Clothes Remover

写真から衣服を削除するオンライン AI ツール。

Undress AI Tool

Undress AI Tool

脱衣画像を無料で

Clothoff.io

Clothoff.io

AI衣類リムーバー

AI Hentai Generator

AI Hentai Generator

AIヘンタイを無料で生成します。

ホットツール

SublimeText3 Linux 新バージョン

SublimeText3 Linux 新バージョン

SublimeText3 Linux 最新バージョン

ゼンドスタジオ 13.0.1

ゼンドスタジオ 13.0.1

強力な PHP 統合開発環境

SublimeText3 中国語版

SublimeText3 中国語版

中国語版、とても使いやすい

VSCode Windows 64 ビットのダウンロード

VSCode Windows 64 ビットのダウンロード

Microsoft によって発売された無料で強力な IDE エディター

mPDF

mPDF

mPDF は、UTF-8 でエンコードされた HTML から PDF ファイルを生成できる PHP ライブラリです。オリジナルの作者である Ian Back は、Web サイトから「オンザフライ」で PDF ファイルを出力し、さまざまな言語を処理するために mPDF を作成しました。 HTML2FPDF などのオリジナルのスクリプトよりも遅く、Unicode フォントを使用すると生成されるファイルが大きくなりますが、CSS スタイルなどをサポートし、多くの機能強化が施されています。 RTL (アラビア語とヘブライ語) や CJK (中国語、日本語、韓国語) を含むほぼすべての言語をサポートします。ネストされたブロックレベル要素 (P、DIV など) をサポートします。