DALL·E: Metinden Görüntü Üretmek

• 12 milyar parametreli bir GPT-3 sürümü

• Metin-görüntü çiftlerinden oluşan bir veri kümesi kullanılarak, metin açıklamalarından görüntü üretmesi için eğitildi

• Hayvanların ve nesnelerin antropomorfik sürümlerini üretmek, ilgisiz kavramları inandırıcı biçimde birleştirmek, metin render etmek veya mevcut görüntülere dönüşümler uygulamak gibi çeşitli yetenekler gösteriyor

→ Özellik kontrolü: biçim, renk, malzeme, görünme sayısı vb.

→ Birden fazla nesneyi aynı anda çizme ve aralarındaki ilişkileri ifade etme

→ Perspektif ifadesi ve 3 boyutlu görselleştirme

→ İç ve dış yapıların gösterimi: cevizin içi, beyin mercanı vb.

→ Duruma göre ayrıntıları çıkarımlama: duruma uygun gölge gösterimi gibi, stil/ayar/zamanı değiştirerek ifade etme

→ Moda ve iç mekan tasarımı

→ Hiç ilişkili olmayan kavramları birleştirme: arptan yapılmış bir salyangoz, avokado biçiminde bir koltuk

→ Zero-shot görsel akıl yürütme

→ Coğrafi/zamansal bilgiye dayalı görüntü üretimi

• DALL·E, 256 metin ve 1024 görüntü tokenını tek bir akış olarak alıp otoregresif yöntemle modelleyen basit bir decoder-only transformer'dır

[heycalmdown]

Vay canına, bu gerçekten inanılmaz. Günlük hayata entegre olduğu günü merakla bekliyorum.