هوش مصنوعی
روش PEEK می‌خواهد خطای نمونه‌برداری مدل‌های انتشار تصویر را کاهش دهد
این افزونهٔ بدون آموزش، با یک ارزیابی اضافی در هر گام منتخب، پیش‌بینی مدل را اصلاح می‌کند؛ پژوهشگران از بهبود FID تا ۴۹٫۳ درصد در مقایسه با روش‌های هم‌تراز از نظر تعداد ارزیابی‌ها خبر می‌دهند.
پژوهشگران در پیش‌چاپی در arXiv روش PEEK را معرفی کرده‌اند؛ افزونه‌ای قطعی و بدون نیاز به آموزش مجدد که برای کاهش «سوگیری مواجهه» در نمونه‌برداری مدل‌های انتشار تصویر طراحی شده است. این سوگیری زمانی رخ می‌دهد که شبکهٔ حذف نویز در هر گام، بر پایهٔ ورودی‌ای پیش‌بینی کند که با دادهٔ واقعی تفاوت دارد و کیفیت تصویر را پایین می‌آورد؛ برای نمونه، تصویر ممکن است تار یا کم‌جزئیات باشد یا شکل‌های نامأنوس داشته باشد.
PEEK در گام‌های منتخب ابتدا یک به‌روزرسانی موقت انجام می‌دهد، سپس شبکهٔ حذف نویز را یک بار دیگر در وضعیتِ یک گام جلوتر ارزیابی می‌کند و خروجی تازه را با پیش‌بینی گام بعد درون‌یابی می‌کند تا وضعیت نویزی بعدی را بسازد. به گفتهٔ پژوهشگران، این ارزیابی اضافی پیش‌بینی‌ای بر پایهٔ ورودی نزدیک‌تر به تصویر تولیدشده فراهم می‌کند و سوگیری مواجهه را کاهش می‌دهد. برای یافتن جایگاه‌های مناسب درون‌یابی، روش از برنامهٔ زمان‌بندی درون‌یابی و حافظه‌های cache استفاده می‌کند.
آزمایش‌ها روی هشت مدل انتشار در فضای پیکسلی و نهفته، با تنظیمات بدون شرط، هدایت‌شده با برچسب و هدایت‌شده با متن و در وضوح‌های مختلف انجام شده است. پژوهشگران می‌گویند PEEK در این آزمون‌ها از روش‌های مبنا با تعداد ارزیابی‌های مدل برابر بهتر عمل کرده و بهبود FID تا ۴۹٫۳ درصد داشته است. آن‌ها همچنین هزینهٔ محاسباتی اضافی را کم توصیف می‌کنند؛ کالیبراسیون یک‌باره برای هر مدل در آزمایش‌ها حداکثر ۲٫۲ دقیقه طول کشیده است. این مقاله پیش‌چاپ است و در صفحهٔ آن پذیرش در NeurIPS 2026 ذکر شده است.
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