ERNIE-ViLG 2.0: โมเดลข้อความเป็นรูปภาพใหม่จาก Baidu มีประสิทธิภาพเหนือกว่า Dalle-2 และ Stable Diffusion

แชร์บทความนี้

• 
• 
• 
• 
• 

by ดาเมียร์ ยาลอฟ

เผยแพร่: 06 พฤศจิกายน 2022 เวลา 1:59 น. อัปเดต: 07 พฤศจิกายน 2022 เวลา 4:14 น.

เพื่อปรับปรุงประสบการณ์การใช้ภาษาท้องถิ่นของคุณ บางครั้งเราใช้ปลั๊กอินการแปลอัตโนมัติ โปรดทราบว่าการแปลอัตโนมัติอาจไม่ถูกต้อง โปรดอ่าน เป็นต้นฉบับ บทความสำหรับข้อมูลที่แม่นยำ

เออร์นี่-ViLG 2.0 เป็นโมเดลแปลงข้อความเป็นรูปภาพที่มีประสิทธิภาพดีกว่า Dalle-2 และ Stable Diffusionซึ่งเป็นรูปแบบข้อความเป็นรูปภาพที่ได้รับความนิยมมากที่สุดสองรูปแบบในปัจจุบัน โมเดลใหม่ได้รับการออกแบบและฝึกฝนโดยทีมนักวิจัยจาก Baidu และผลลัพธ์ที่ได้ก็น่าทึ่ง

ผลลัพธ์แสดงให้เห็นว่า ERNIE-ViLG 2.0 มีประสิทธิภาพเหนือกว่า Dalle-2 และ Stable Diffusion. นี่เป็นความสำเร็จครั้งสำคัญและแสดงให้เห็นถึงพลังของกรอบการทำงานของ ENNIE ที่ Metaverse Post ทีมงานเปรียบเทียบ ERNIE-ViLG 2.0 กับ Stable Diffusion ด้านล่าง:

ผลลัพธ์เหล่านี้ให้การสนับสนุนอย่างมากสำหรับสมมติฐานที่ว่า ERNIE-ViLG 2.0 มีประสิทธิภาพมากกว่า ระบบแปลงข้อความเป็นรูปภาพมากกว่าทั้ง Dalle-2 และ Stable Diffusion.

สถาปัตยกรรม Unet จาก Stable Diffusion ถือเป็นพื้นฐาน แต่มีการเปลี่ยนแปลง:

• ส่วนผสมของผู้เชี่ยวชาญด้านการขจัดนอยส์: มีโครงข่ายประสาทเทียม 10 แห่งแทนที่จะเป็นเพียงแห่งเดียว โดยแต่ละแห่งมีหน้าที่รับผิดชอบเฉพาะขั้นตอนการแพร่ที่แน่นอนเท่านั้น
• ความรู้ทางข้อความ: ปรับน้ำหนักคำในข้อความค้นหาใหม่โดยอัตโนมัติเพื่อให้คำหลักมีน้ำหนักมากขึ้น
• ความรู้ด้านภาพ: ระหว่างการฝึก วัตถุถูกตรวจพบในผลลัพธ์การสร้างระดับกลาง และน้ำหนักของฟังก์ชันการสูญเสียในบริเวณที่มีวัตถุเพิ่มขึ้น

เป็นผลให้ใหญ่ที่สุดในโลก โมเดลข้อความเป็นรูปภาพ ออกมาพร้อมกับพารามิเตอร์ 24 พันล้านตัว (มากกว่า SD ถึง 10 เท่า) เพื่อฝึกโมเดล

ข้อความแจ้งจะถูกแปลจากภาษาจีนเป็นภาษาอังกฤษโดยอัตโนมัติใน กอดใบหน้า การสาธิตสาธารณะก่อนที่จะส่งไปยัง AI คุณสมบัติมากมายมาจากสิ่งนี้

• ERNIE ไม่รู้จักบุคคลสาธารณะระหว่างประเทศ ตัวอย่างเช่น ERNIE ไม่รู้จัก Arnold Schwarzenegger แน่นอนว่ามีรายการโปรดของท้องถิ่นในประเทศจีน
• ด้วยเหตุนี้วิธีการใช้ชื่อคนดังจึงช่วยเพิ่มคุณภาพได้อย่างมาก ใบหน้า ล้มเหลว
• คุณสามารถคาดหวังได้ว่าผิดเพี้ยนไปบ้างเนื่องจากการแปลจากภาษาจีน ดังนั้นอาจมีเซอร์ไพรส์รอคุณอยู่หากคุณไม่พูดภาษาจีน
• มันไม่รู้อะไรเลยเกี่ยวกับ Greg Rutkowski

อ่านบทความที่เกี่ยวข้อง:

• 7 ตัวสร้าง AI แปลงข้อความเป็นวิดีโอที่ดีที่สุด: ทรงพลังและฟรี
• ข้อความแสดงข้อความเป็นรูปภาพ 50 อันดับแรกสำหรับ AI Art Generator Midjourney และ DALL-E
• Text-to-3D: Google ได้พัฒนาโครงข่ายประสาทเทียมที่สร้างแบบจำลอง 3 มิติจากคำอธิบายข้อความ

เกี่ยวกับผู้เขียน

Damir เป็นหัวหน้าทีม ผู้จัดการผลิตภัณฑ์ และบรรณาธิการที่ Metaverse Postซึ่งครอบคลุมหัวข้อต่างๆ เช่น AI/ML, AGI, LLMs, Metaverse และ Web3- สาขาที่เกี่ยวข้อง บทความของเขาดึงดูดผู้ชมจำนวนมากกว่าล้านคนทุกเดือน ดูเหมือนว่าเขาจะเป็นผู้เชี่ยวชาญที่มีประสบการณ์ 10 ปีในด้าน SEO และการตลาดดิจิทัล Damir ได้รับการกล่าวถึงใน Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto และสิ่งพิมพ์อื่น ๆ เขาเดินทางไปมาระหว่างสหรัฐอาหรับเอมิเรตส์ ตุรกี รัสเซีย และ CIS ในฐานะคนเร่ร่อนทางดิจิทัล Damir สำเร็จการศึกษาระดับปริญญาตรีสาขาฟิสิกส์ ซึ่งเขาเชื่อว่าทำให้เขามีทักษะการคิดเชิงวิพากษ์ที่จำเป็นต่อการประสบความสำเร็จในภูมิทัศน์ที่เปลี่ยนแปลงตลอดเวลาของอินเทอร์เน็ต 

บทความอื่น ๆ

ดาเมียร์ ยาลอฟ

• 
• 

ดาเมียร์ ยาลอฟ

Damir เป็นหัวหน้าทีม ผู้จัดการผลิตภัณฑ์ และบรรณาธิการที่ Metaverse Postซึ่งครอบคลุมหัวข้อต่างๆ เช่น AI/ML, AGI, LLMs, Metaverse และ Web3- สาขาที่เกี่ยวข้อง บทความของเขาดึงดูดผู้ชมจำนวนมากกว่าล้านคนทุกเดือน ดูเหมือนว่าเขาจะเป็นผู้เชี่ยวชาญที่มีประสบการณ์ 10 ปีในด้าน SEO และการตลาดดิจิทัล Damir ได้รับการกล่าวถึงใน Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto และสิ่งพิมพ์อื่น ๆ เขาเดินทางไปมาระหว่างสหรัฐอาหรับเอมิเรตส์ ตุรกี รัสเซีย และ CIS ในฐานะคนเร่ร่อนทางดิจิทัล Damir สำเร็จการศึกษาระดับปริญญาตรีสาขาฟิสิกส์ ซึ่งเขาเชื่อว่าทำให้เขามีทักษะการคิดเชิงวิพากษ์ที่จำเป็นต่อการประสบความสำเร็จในภูมิทัศน์ที่เปลี่ยนแปลงตลอดเวลาของอินเทอร์เน็ต 

• 

บทความอื่น ๆ