Language
Country/Area
No result found
O segredo tecnológico por trás da proliferação constante: como ela transforma palavras em imagens impressionantes?
Desde 2022, a Difusão Estável emergiu rapidamente como um modelo de aprendizagem profunda de texto para imagem baseado na tecnologia de difusão. Esta tecnologia generativa de inteligência artificial lançada pela Stability AI tornou-se um produto estrela no atual boom da inteligência artificial. A difusão estável pode não apenas gerar imagens detalhadas com base em descrições de texto, mas também pode ser aplicada para reparar, estender e transformar imagens entre si, guiadas por instruções de texto. Seu desenvolvimento envolve equipes de pesquisa do grupo CompVis da Universidade Ludwig Maximilian em Munique e da Runway, e é apoiado por doações computacionais da Stability e dados de treinamento de organizações sem fins lucrativos.
A difusão estável é um modelo de difusão latente, que é um tipo de rede neural artificial generativa profunda.
A arquitetura técnica de difusão estável é muito sofisticada, consistindo principalmente de codificadores automáticos variacionais (VAE), U-Net e codificadores de texto opcionais. VAE é responsável por comprimir a imagem do espaço de pixels para um espaço latente menor para capturar o significado semântico básico da imagem. O modelo é treinado em um processo de difusão direta adicionando gradualmente ruído gaussiano. U-Net remove esses ruídos da difusão direta e restaura a representação latente.
A evolução da arquitetura tecnológica
A versão original da difusão estável usava um modelo de difusão denominado modelo de difusão latente (LDM), desenvolvido pelo grupo CompVis em 2015. O objetivo de treinamento desses modelos é remover o ruído gaussiano nas imagens de treinamento para que possam gerar imagens mais nítidas. Com a iteração das versões, a arquitetura estável e difusa também é atualizada em tempo hábil. Por exemplo, a terceira versão do SD 3.0 mudou completamente a arquitetura subjacente e usou uma nova arquitetura chamada Rectified Flow Transformer, que melhorou muito a eficiência do modelo no processamento de codificação de texto e imagem.
"O projeto de difusão estável não se concentra apenas na qualidade das imagens geradas, mas também enfatiza a eficiência computacional."
Processo de treinamento de modelo e fontes de dados
O treinamento de difusão estável depende do conjunto de dados LAION-5B, um conjunto de dados disponível publicamente que contém 5 bilhões de pares de imagens e legendas. A criação do conjunto de dados envolve extrair dados públicos da Internet e filtrá-los com base no idioma e na resolução. O objetivo final do treinamento é gerar imagens que sejam apreciadas pelos usuários, e uma variedade de métodos baseados em dados são usados no processo para melhorar a precisão e a diversidade da geração. Isso faz com que a difusão estável ocupe um lugar importante no campo da geração de imagens.
"O processo de treinamento para difusão estável demonstra como usar um conjunto de dados para otimizar a probabilidade de geração de resultados."
Âmbito da aplicação e perspectivas futuras
A difusão estável tem uma ampla gama de aplicações, desde a criação de videoarte até imagens médicas e geração de música, e a flexibilidade da tecnologia permite que ela seja facilmente adaptada a muitas situações inovadoras. Embora a versão atual tenha limitações como má geração de membros humanos em determinadas situações, com o avanço da tecnologia e atualizações de versão, espera-se que esses problemas sejam resolvidos no futuro. A versão mais recente do Stable Diffusion XL corrigiu alguns problemas de qualidade e introduziu maior resolução e recursos de geração.
"Os usuários podem superar as limitações iniciais do modelo por meio de ajustes adicionais para obter resultados gerados mais personalizados."
Considerações éticas e de uso
Apesar das incríveis conquistas técnicas da difusão estável, o uso desta tecnologia ainda requer uma consideração cuidadosa. As imagens geradas podem conter involuntariamente alguma informação inadequada ou sensível, o que levanta uma série de questões éticas. À medida que os modelos abrem gradativamente o código-fonte e permitem que os usuários utilizem as imagens geradas, como regular a aplicação dessas tecnologias e o impacto social que elas trazem tornou-se um problema urgente que precisa ser resolvido.
A difusão estável não é apenas uma inovação tecnológica profunda, mas também um espelho que reflete a cultura social. Com o desenvolvimento da tecnologia, quantas aplicações surpreendentes aparecerão no futuro?
