Metinden görüntü üreten araçların arkasındaki fikir, sezgiye tümüyle aykırı: model boş tuvale çizgi çekmiyor. Rastgele gürültüyle dolu bir kareyle başlıyor ve o gürültünün içinden bir görüntü çıkarıyor. Yaygın yaklaşımın adı difüzyon.
Eğitim: bozmayı öğrenerek düzeltmeyi öğrenmek
Eğitim sırasında modele milyonlarca görüntü, kademeli olarak bozulmuş hâlleriyle gösterilir. Bir resme az gürültü eklenir, sonra biraz daha, sonra biraz daha — sonunda tanınmaz bir karartıya dönüşene kadar. Modelin tek görevi şu: bu karede ne kadar ve nasıl bir gürültü var?
Bu basit görev, yeterince örnekle çalışıldığında güçlü bir yan ürün verir: eklenen gürültüyü tahmin edebilen bir model, onu çıkarabilir de. Üretim aşaması bu tersine döndürmeden ibaret — saf gürültüden başlanır ve her adımda bir miktar gürültü temizlenir. Yirmi ya da otuz adım sonra elde kalan şey, modelin öğrendiği görsel düzenliliklere uyan yeni bir görüntüdür.
Metin bu işe nereden giriyor
Gürültü temizleme tek başına rastgele bir görüntü verir. Yönlendirmeyi metin yapar. İstem önce bir metin kodlayıcıdan geçip sayısal bir temsile dönüşür; model her temizleme adımında bu temsile bakarak “hangi yönde temizleyeceğine” karar verir.
Araçlardaki yönlendirme gücü ayarı tam burayı kontrol eder. Düşük değerde model istemi gevşek yorumlar, sonuç daha doğal ama konudan sapabilir; yüksek değerde isteme sıkı bağlanır, görüntü doygun ve yapay görünmeye başlar. Pratikte orta bant genelde en iyi sonucu verir.
Neden bu kadar hızlı çalışıyor
Gürültü temizlemeyi tam çözünürlükte, her piksel için yapmak çok pahalı olurdu. Modern modeller bu işi doğrudan piksel uzayında değil, sıkıştırılmış bir gizli uzayda yapar: görüntü küçük bir temsile indirilir, difüzyon orada yürür, en sonunda bir çözücü bunu tam çözünürlüklü görüntüye açar.
Tüketici ekran kartlarında saniyeler içinde görüntü üretilebilmesinin başlıca nedeni bu. Bellek hesabı, yerel model çalıştırma yazısındaki mantığın aynısıyla yürür.
Ayarların anlamı
- Adım sayısı: kaç temizleme turu yapılacağı. Belirli bir noktadan sonra kalite artmaz, yalnızca süre uzar.
- Tohum (seed): başlangıçtaki rastgele gürültüyü belirleyen sayı. Aynı tohum, aynı istem ve aynı ayarlarla aynı görüntü yeniden üretilir. Bir sonucu “az değiştirerek” denemek istiyorsanız tohumu sabitleyip istemde küçük oynamalar yapmak doğru yöntem.
- Negatif istem: istenmeyen özellikleri ters yönde yönlendirme. Her modelde aynı ölçüde etkili değil.
- En-boy oranı: modelin eğitildiği orandan çok uzaklaşmak, tekrar eden desenler ve bozuk kompozisyon üretebilir.
Neyi iyi, neyi kötü yapıyor
Difüzyon modelleri doku, ışık ve genel kompozisyonda çok iyi. Zorlandıkları yer, katı kuralları olan yapılar: okunabilir yazı, el ve parmak sayısı, simetrik nesneler, tutarlı yansımalar, bir sahnedeki nesne sayısının istenen sayıya eşit olması. Nedeni basit — model “beş parmak olmalı” kuralını bilmiyor, yalnızca parmakların nasıl göründüğüne dair istatistik taşıyor. Yeni modeller bu konuda gözle görülür biçimde iyileşti ama sorun kategorik olarak çözülmüş değil.
İkinci sınır, aynı karakteri birden fazla görüntüde tutarlı üretmek. Bunun için ek yöntemler (referans görüntü, küçük uyarlama modelleri) kullanılıyor; düz bir istemle olmuyor.
Telif ve kaynak tartışması
Modeller internetten toplanmış büyük görüntü kümeleriyle eğitiliyor ve bu kümelerin içinde telifli eserlerin bulunması hukuki tartışmanın merkezinde. Davalar sürüyor, ülkeler farklı yönlere gidiyor ve kesin bir tablo oluşmadı. Bugün pratikte kullanılabilir iki ölçüt var: bir aracın eğitim verisinin kaynağını açıklaması ve ticari kullanım için açık izin vermesi.
Üretilmiş görüntünün izlenebilirliği için de çalışma var: görünmez filigranlar ve dosyaya üretim bilgisini gömen içerik kaynağı standartları. Bunlar yardımcı oluyor, ama ekran görüntüsü almak gibi basit bir işlem bu bilgiyi silebildiği için tek başına yeterli değil.
Dil modelleriyle ilişkisi
Görüntü modelleri ile dil modelleri aynı aileden değil ama bir noktada buluşuyorlar: ikisi de bir sonraki adımı tahmin ederek üretiyor. Dil modeli sonraki parçayı, difüzyon modeli ise kalan gürültünün biçimini tahmin ediyor. İkisinde de “anlama” değil, çok iyi kalibre edilmiş bir tahmin var.
Difüzyon modeli görüntüyü çizmiyor; gürültünün içinde zaten varmış gibi davranıp fazlalığı siliyor.
Yorumlar (0)
Henüz yorum yok. İlk yorumu siz yazın.