هوش مصنوعی
NextGAN تولید تصویر را در یک گام با FID تا ۱٫۳۶ ممکن کرد
پژوهشگران روشی برای آموزش GAN معرفی کرده‌اند که با یک critic مبتنی بر گرادیان، مدل‌های ازپیش‌آموزش‌دیدهٔ تصویر و ویدئو را برای تولید یک‌مرحله‌ای یا چندمرحله‌ای تنظیم می‌کند.
پیش‌چاپی در arXiv با نام NextGAN روشی برای آموزش شبکه‌های مولد تخاصمی (GAN) معرفی می‌کند که به تولید تصویر و ویدئو در یک یا چند گام کمک می‌کند. نویسندگان می‌گویند این روش، برخلاف زیان‌های متعارف تخاصمی که مقدار خروجی critic را آموزش می‌دهند، گرادیان ورودی critic را مستقیماً با جابه‌جایی میان ویژگی‌های نمونه‌های مرجع و تولیدشده هم‌راستا می‌کند. این کار در فضاهای بازنماییِ ثابت و در نقاط درون‌یابی‌شده انجام می‌شود.
در این چارچوب، آموزش critic برای مولد ثابت معادل یک هدف تخاصمی همراه با جریمهٔ انرژی گرادیان است؛ به‌روزرسانی مولد نیز از روش استاندارد مبتنی بر پتانسیل پیروی می‌کند. پژوهشگران می‌گویند NextGAN مدل‌های تصویری و ویدئویی ازپیش‌آموزش‌دیده با حداکثر ۱۴ میلیارد پارامتر را، بدون زیان‌های کمکی، امتیازدهی آنلاین معلم یا استفاده از مسیرهای تولید، تنظیم می‌کند.
در آزمون ImageNet با وضوح ۲۵۶ در ۲۵۶ پیکسل، این روش در تولید یک‌مرحله‌ای به FID برابر ۲٫۸۷ با JiT-B در فضای پیکسلی و ۱٫۵۴ با DiT-XL/1 در فضای نهفته رسید؛ نسخهٔ تخاصمی آن FID را به ۱٫۳۶ رساند.
برای تولید ویدئوی متن‌محور، یک مدل Wan2.1-1.3B آموزش‌دیده از نمونه‌گیری یک، دو و چهارمرحله‌ای پشتیبانی کرد. طبق چکیدهٔ مقاله، در میان روش‌های مقایسه‌شده با اندازهٔ ۱٫۳ میلیارد پارامتر، NextGAN در نمونه‌گیری یک و دو مرحله‌ای بالاترین امتیاز کل VBench را داشت. امتیاز آن در دو مرحله ۸۳٫۱۳ بود؛ ۱٫۲۵ امتیاز بیشتر از rCM و ۰٫۴۷ امتیاز بیشتر از AnyFlow. این مقاله نسخهٔ پیش‌چاپی است و نتایج گزارش‌شده در چکیدهٔ آن آمده‌اند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده