IA generativa pratica con trasformatori e modelli di diffusione

Capitolo 5. Diffusione stabile egenerazione condizionata

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

In capitolo precedente, abbiamo introdotto i modelli di diffusione e l'idea alla base del perfezionamento iterativo. Alla fine del capitolo eravamo in grado di generare immagini, ma l'addestramento del modello richiedeva molto tempo e non avevamo alcun controllo sulle immagini generate. In questo capitolo vedremo come passare a modelli condizionati dal testo in grado di generare in modo efficiente immagini basate su descrizioni testuali, con un modello chiamato Diffusione Stabile come caso di studio. Prima di arrivare alla Diffusione Stabile, però, vedremo come funzionano i modelli condizionali e passeremo in rassegna alcune delle innovazioni che hanno portato ai modelli testo-immagine di oggi.

Aggiungere il controllo: Modelli di diffusione condizionale

Prima di affrontare la sfida di generare immagini da descrizioni testuali, iniziamo con qualcosa di più semplice. Esploreremo il modo in cui possiamo orientare i risultati del nostro modello verso tipi o classi specifiche di immagini. Possiamo utilizzare un metodo chiamato condizionamento: l'idea è quella di chiedere al modello di generare non un'immagine qualsiasi, ma un'immagine appartenente a una classe predefinita. In questo contesto, il condizionamento si riferisce alla guida dell'output del modello fornendo informazioni aggiuntive, ...