Google představil neuronovou síť Imagen

Google oznámil Imagen je neuronová síť, která převádí textový dotaz na obrázky. Jde o přímého konkurenta DALL-E2 z OpenAI – což v některých scénářích funguje ještě lépe.

K rozpoznání textového dotazu využívá neuronová síť velké jazykové modely – na nich jsou založeny i přirozené algoritmy zpracování řeči jako GPT-3.

Systém funguje ve třech fázích. První z nich nakreslí malý obrázek o velikosti 64 x 64 pixelů, který se zpřesňuje, dokud jej neuronová síť nedokáže změnit tak, aby lépe odpovídal původnímu požadavku. Obraz je poté zmenšen až na 256 x 256 pixelů a Imagen dolaďuje detaily. Ve třetí fázi se totéž opakuje již s plátnem konečné velikosti - 1024 x 1024 pixelů.

Text studie uvádí, že Imagen se vyrovnává s porozuměním složitým dotazům lépe než DALL-E 2. Například pro dotaz „Panda dělá latte art“ vrátil DALL-E 2 výhradně latte art s pandami, zatímco neuronová síť Google dokázala vytvořit většinou správné výsledky:

Google ale také připouští, že žádná z těchto neuronových sítí by nezvládla dotaz „koňský astronaut“: oba tvrdošíjně posadili astronauta na koně, a ne naopak. Oba mají evidentně kam růst.

Výsledky nezávislého hodnocení diváků ukazují, že Imagen překonává DALL-E 2 z hlediska přesnosti a relevance. A i když lze toto srovnání považovat za subjektivní, takové výsledky jsou vzhledem k tomu stále působivé DALL-E 2 byla dosud nedosažitelným ideálem, kterému se jiné neuronové sítě podobného charakteru nemohly rovnat. destinace.

Každopádně Imagen zatím zůstává experimentálním projektem, ke kterému se běžní uživatelé nedostanou. Není jasné, jak dlouho bude trvat, než Google na jeho základě vytvoří službu s otevřeným přístupem.