необходимо отметить этические соображения

[rochona]

Edict можно применять к любой модели диффузии, а модели диффузии можно обучать на любых типах данных изображений. даже обычно используемые наборы данных могут содержать предубеждения, например, касающиеся пола или расы; и результаты edict будут отражать предубеждения предварительно обученной модели диффузии, с которой она сопряжена. кроме того, edict — это всего лишь алгоритм, у которого нет фильтра для ненадлежащих или вредных изображений, если модель преобразования текста в изображение, на которой она основана, тоже не имеет. ненадлежащий контент или дезинформация могут быть сгенерированы этим алгоритмом, если они сопряжены с такой моделью и распространены как реальные.

итог
модели преобразования текста в изображение быстро совершенствуются, но для реализации возможности преобразования изображения в изображение на основе текста необходимы специализированные методы.
инвертирование генеративного процесса моделей диффузии дает возможность изменить некоторые аспекты содержания, сохранив другие.
до сих пор процесс инверсии был неточным и подразумевал серьезный Магазин компромисс между стабильностью/реалистичностью и верностью исходному изображению.
отслеживая две копии изображения вместо одной, мы можем добиться точной инверсии, используя метод, который мы называем «точная диффузионная инверсия с помощью связанных преобразований» или сокращенно edict.
Edict позволяет выполнять широкий спектр правок, сохраняя неотредактированные компоненты изображения.
будет больше приложений обратимых диффузионных процессов за пределами редактирования изображений. инвертирование наборов реальных изображений в шум может позволить нам изучать наборы соответствующего шума (известные как скрытое пространство) и лучше понимать работу диффузионных моделей. обратимость — очень полезное математически свойство, поэтому существует множество приложений!