文字到圖像的擴散生成模型，如 Stable Diffusion、DALL-E 2 和mid-journey 等，一直都處於蓬勃的發展狀態，有著極強的文本到圖片的生成能力，但是“翻車”案例也會偶爾出現。
如下圖所示，當給定文字提示：「A photo of a warthog」，Stable Diffusion 模型能產生一張相應的、清晰逼真的疣豬照片。然而，當我們對這個文本提示稍作修改，變成：「A photo of a warthog and a traitor」，說好的疣豬呢？怎麼變成車了？
一起再看一次接下來的幾個例子，這些又是什麼新物種？
是什麼原因導致了這些奇怪的現象？這些生成失敗的案例都來自於近期發布的一篇論文《Stable Diffusion is Unstable》:
- 論文網址：https://arxiv.org/abs/2306.02583
在這篇論文中首次提出了一種基於梯度的文本到圖像模型的對抗演算法。這種演算法能夠有效率且有效地產生大量的攻擊性文字提示，能夠有效的發掘 Stable diffusion 模型的不穩定之處。這個演算法在短文本提示中實現了 91.1% 的攻擊成功率，而在長文本提示中，攻擊成功率也達到了 81.2%。此外，該演算法為研究文字到圖像生成模型的失敗模式提供了豐富的案例，為圖片生成可控性研究奠定了基礎。
基於此演算法產生出的大量生成失敗案例，研究者總結出四點生成失敗的原因，分別是：
- ##產生速度的差異
- 粗粒度特徵的相似性
- #單字的多義性
- #字詞在prompt 中的位置
當一個提示（prompt）包含多個生成目標時，常常會遇到某個目標在生成過程中消失的問題。理論上講，同一個提示內的所有目標都應該共享同一個初始噪音。如圖 4 所示，研究者在固定初始雜訊的條件下，產生了 ImageNet 上的一千個類別目標。他們將每個目標產生的最後一張圖像作為參考圖像，併計算了在每個時間步長上生成的圖像與最後一步生成的圖像的結構相似性指數（SSIM）得分，以此展示了不同目標產生速度的差異。
在擴散生成過程中，研究者發現，當兩類目標存在全局或局部的粗粒度特徵相似性時，會在計算交叉注意力（cross attention）權重時出現問題。這是因為這兩個目標名詞可能會同時關注同一張圖片的同一個區塊，從而產生特徵糾纏的現象。例如，在圖 6 中，羽毛（feather）和銀鮭魚（silver salmon）在粗粒度特徵上具有一定的相似性，這導致羽毛可以在基於銀鮭魚的第八步生成過程中繼續完成其生成任務。而對於沒有糾纏的兩類目標，例如銀鮭魚和魔術師（magician），魔術師就無法在基於銀鮭魚的中間步驟影像上完成其生成任務。
一詞多義
#在這一章節中，研究者們深入探討了當一個字詞具有多重意義時的生成情況。他們的發現是，如果沒有任何外界的擾動，生成的圖像通常會依照該字的某一特定意義來呈現。以 「warthog」（疣豬）為例，在圖 A4 的第一行就是根據這個字「疣豬」這種動物的意思來產生的。
#然而，研究者也發現，當在原始prompt 中註入其他字詞時，就可能引發語意的偏移。例如，當在描述 “warthog”的提示中引入了詞語 “traitor”（叛徒），生成的圖像內容可能就會偏離原來的 “疣豬”含義，產生全新的內容。
字詞在 prompt 中的位置
在圖 10 中，研究者觀察到了一個有趣的現象。雖然從人類的視角來看，那些不同順序排列的 prompt 大體上含義相同，都是在描述一個既有貓，又有木屐和手槍的圖片。然而，對於語言模型，也就是 CLIP 文字編碼器來說，字詞的順序在某種程度上影響了其對文字的理解，而這種影響反過來又會改變生成圖片的內容。這種現象說明，儘管我們的描述在語意上是一致的，但模型卻可能因為字詞的順序不同而產生不同的理解和生成結果。這不僅揭示了模型處理語言和理解語義的方式與人類之間存在差異，同時也提示我們在設計和使用這類模型時，需要更加考慮詞語順序的影響。
模型結構
#如下圖1 所示，在不改變提示中原本目標名詞的前提下，研究者透過學習Gumbel Softmax 分佈，將單字替換或擴展的離散過程連續化，從而確保擾動生成的可微分性，生成圖像後，使用CLIP 分類器和margin loss 來優化ω，旨在生成CLIP無法正確分類的圖像，為了確保攻擊性提示與乾淨提示具有一定的相似性，研究著近一步使用了語義相似性約束和文本流利度約束。
一旦學會了這個分佈學會後，演算法就能夠針對同一個乾淨的文字提示採樣出多個具有攻擊效果的文字提示。
#更多細節請見原文。
以上是影像生成過程中遭「截胡」：穩定擴散的失敗案例受四大因素影響的詳細內容。更多資訊請關注PHP中文網其他相關文章！
从VAE到扩散模型：一文解读以文生图新范式Apr 08, 2023 pm 08:41 PM1 前言在发布DALL·E的15个月后，OpenAI在今年春天带了续作DALL·E 2，以其更加惊艳的效果和丰富的可玩性迅速占领了各大AI社区的头条。近年来，随着生成对抗网络（GAN）、变分自编码器（VAE）、扩散模型（Diffusion models）的出现，深度学习已向世人展现其强大的图像生成能力；加上GPT-3、BERT等NLP模型的成功，人类正逐步打破文本和图像的信息界限。在DALL·E 2中，只需输入简单的文本（prompt），它就可以生成多张1024*1024的高清图像。这些图像甚至
找不到中文语音预训练模型？中文版 Wav2vec 2.0和HuBERT来了Apr 08, 2023 pm 06:21 PMWav2vec 2.0 [1]，HuBERT [2] 和 WavLM [3] 等语音预训练模型，通过在多达上万小时的无标注语音数据（如 Libri-light ）上的自监督学习，显著提升了自动语音识别（Automatic Speech Recognition, ASR），语音合成（Text-to-speech, TTS）和语音转换（Voice Conversation，VC）等语音下游任务的性能。然而这些模型都没有公开的中文版本，不便于应用在中文语音研究场景。 WenetSpeech [4] 是
普林斯顿陈丹琦：如何让「大模型」变小Apr 08, 2023 pm 04:01 PM“Making large models smaller”这是很多语言模型研究人员的学术追求，针对大模型昂贵的环境和训练成本，陈丹琦在智源大会青源学术年会上做了题为“Making large models smaller”的特邀报告。报告中重点提及了基于记忆增强的TRIME算法和基于粗细粒度联合剪枝和逐层蒸馏的CofiPruning算法。前者能够在不改变模型结构的基础上兼顾语言模型困惑度和检索速度方面的优势；而后者可以在保证下游任务准确度的同时实现更快的处理速度，具有更小的模型结构。陈丹琦 普
解锁CNN和Transformer正确结合方法，字节跳动提出有效的下一代视觉TransformerApr 09, 2023 pm 02:01 PM由于复杂的注意力机制和模型设计，大多数现有的视觉 Transformer（ViT）在现实的工业部署场景中不能像卷积神经网络（CNN）那样高效地执行。这就带来了一个问题：视觉神经网络能否像 CNN 一样快速推断并像 ViT 一样强大？近期一些工作试图设计 CNN-Transformer 混合架构来解决这个问题，但这些工作的整体性能远不能令人满意。基于此，来自字节跳动的研究者提出了一种能在现实工业场景中有效部署的下一代视觉 Transformer——Next-ViT。从延迟 / 准确性权衡的角度看，
Stable Diffusion XL 现已推出—有什么新功能，你知道吗？Apr 07, 2023 pm 11:21 PM3月27号，Stability AI的创始人兼首席执行官Emad Mostaque在一条推文中宣布，Stable Diffusion XL 现已可用于公开测试。以下是一些事项：“XL”不是这个新的AI模型的官方名称。一旦发布稳定性AI公司的官方公告，名称将会更改。与先前版本相比，图像质量有所提高与先前版本相比，图像生成速度大大加快。示例图像让我们看看新旧AI模型在结果上的差异。Prompt: Luxury sports car with aerodynamic curves, shot in a
什么是Transformer机器学习模型？Apr 08, 2023 pm 06:31 PM译者 | 李睿审校 | 孙淑娟近年来， Transformer 机器学习模型已经成为深度学习和深度神经网络技术进步的主要亮点之一。它主要用于自然语言处理中的高级应用。谷歌正在使用它来增强其搜索引擎结果。OpenAI 使用 Transformer 创建了著名的 GPT-2和 GPT-3模型。自从2017年首次亮相以来，Transformer 架构不断发展并扩展到多种不同的变体，从语言任务扩展到其他领域。它们已被用于时间序列预测。它们是 DeepMind 的蛋白质结构预测模型 AlphaFold
五年后AI所需算力超100万倍！十二家机构联合发表88页长文：「智能计算」是解药Apr 09, 2023 pm 07:01 PM人工智能就是一个「拼财力」的行业，如果没有高性能计算设备，别说开发基础模型，就连微调模型都做不到。但如果只靠拼硬件，单靠当前计算性能的发展速度，迟早有一天无法满足日益膨胀的需求，所以还需要配套的软件来协调统筹计算能力，这时候就需要用到「智能计算」技术。最近，来自之江实验室、中国工程院、国防科技大学、浙江大学等多达十二个国内外研究机构共同发表了一篇论文，首次对智能计算领域进行了全面的调研，涵盖了理论基础、智能与计算的技术融合、重要应用、挑战和未来前景。论文链接：https://spj.scien
AI模型告诉你，为啥巴西最可能在今年夺冠！曾精准预测前两届冠军Apr 09, 2023 pm 01:51 PM说起2010年南非世界杯的最大网红，一定非「章鱼保罗」莫属！这只位于德国海洋生物中心的神奇章鱼，不仅成功预测了德国队全部七场比赛的结果，还顺利地选出了最终的总冠军西班牙队。不幸的是，保罗已经永远地离开了我们，但它的「遗产」却在人们预测足球比赛结果的尝试中持续存在。在艾伦图灵研究所（The Alan Turing Institute），随着2022年卡塔尔世界杯的持续进行，三位研究员Nick Barlow、Jack Roberts和Ryan Chan决定用一种AI算法预测今年的冠军归属。预测模型图
熱AI工具
Undresser.AI Undress
人工智慧驅動的應用程序，用於創建逼真的裸體照片
AI Clothes Remover
用於從照片中去除衣服的線上人工智慧工具。
Undress AI Tool
免費脫衣圖片
Clothoff.io
AI脫衣器
AI Hentai Generator
免費產生 AI 無盡。
熱門文章
熱工具
mPDF
mPDF是一個PHP庫，可以從UTF-8編碼的HTML產生PDF檔案。原作者Ian Back編寫mPDF以從他的網站上「即時」輸出PDF文件，並處理不同的語言。與原始腳本如HTML2FPDF相比，它的速度較慢，並且在使用Unicode字體時產生的檔案較大，但支援CSS樣式等，並進行了大量增強。支援幾乎所有語言，包括RTL（阿拉伯語和希伯來語）和CJK（中日韓）。支援嵌套的區塊級元素（如P、DIV），
SublimeText3 英文版
推薦：為Win版本，支援程式碼提示！
MinGW - Minimalist GNU for Windows
這個專案正在遷移到osdn.net/projects/mingw的過程中，你可以繼續在那裡關注我們。 MinGW：GNU編譯器集合（GCC）的本機Windows移植版本，可自由分發的導入函式庫和用於建置本機Windows應用程式的頭檔；包括對MSVC執行時間的擴展，以支援C99功能。 MinGW的所有軟體都可以在64位元Windows平台上運作。
ZendStudio 13.5.1 Mac
強大的PHP整合開發環境
禪工作室 13.0.1
強大的PHP整合開發環境
