Μια Προσωπική Έννοια για τις Τάσεις της Λογοτεχνίας της Υπολογιστικής Όρασης το 2024

Έχω ακολουθήσει συνεχώς την έρευνα υπολογιστικής όρασης (CV) και σύνθεσης εικόνας στη σελίδα Arxiv και αλλού για περίπου πέντε χρόνια, οπότε οι τάσεις γίνονται εμφανείς με τον καιρό, και αλλάζουν σε νέες κατευθύνσεις κάθε χρόνο.

Επομένως, καθώς το 2024 έφτασε στο τέλος, σκέφτηκα ότι ήταν κατάλληλο να ρίξω μια ματιά σε κάποιες νέες ή εξελισσόμενες ιδιότητες στις υποβολές Arxiv στην ενότητα Υπολογιστική Όραση και Αναγνώριση Προτύπων τμήμα. Αυτές οι παρατηρήσεις, αν και ενημερωμένες από εκατοντάδες ώρες μελέτης της σκηνής, είναι αυστηρά ανεκδοτικά.

Η Συνεχής Άνοδος της Ανατολικής Ασίας

Μέχρι το τέλος του 2023, είχα παρατηρήσει ότι η πλειονότητα της βιβλιογραφίας στην κατηγορία “σύνθεση φωνής” προερχόταν από την Κίνα και άλλες περιοχές της Ανατολικής Ασίας. Μέχρι το τέλος του 2024, πρέπει να παρατηρήσω (ανεκδοτικά) ότι αυτό ισχύει τώρα και για την έρευνα σύνθεσης εικόνας και βίντεο.

Αυτό δεν σημαίνει ότι η Κίνα και οι γειτονικές χώρες είναι απαραίτητα πάντα η καλύτερη δουλειά (πράγματι, υπάρχει κάποια αποδεικτικά στοιχεία του αντίθετου); ούτε σημαίνει ότι λαμβάνει υπόψη την υψηλή πιθανότητα στην Κίνα (όπως και στη Δύση) ότι κάποια από τα πιο ενδιαφέροντα και ισχυρά νέα συστήματα είναι ιδιωτικά και αποκλείονται από τη βιβλιογραφία της έρευνας.

Αλλά υποδηλώνει ότι η Ανατολική Ασία κερδίζει τη Δύση σε όγκο. Αυτό που αξίζει зависит από το βαθμό με τον οποίο πιστεύετε στην εφικτότητα της πersistence του Edison, η οποία συνήθως αποδεικνύεται ανεπιτυχείς αντιμέτωπη με ακατανίκητα εμπόδια.

Υπάρχουν πολλά τέτοια εμπόδια στη γενετική AI, και δεν είναι εύκολο να γνωρίζουμε ποια μπορούν να επιλυθούν με την αντιμετώπιση των υφιστάμενων αρχιτεκτονικών, και ποια θα χρειαστούν να ξανασχεδιαστούν από το μηδέν.

Αν και οι ερευνητές από την Ανατολική Ασία φαίνεται να παράγουν μεγαλύτερο αριθμό ερευνών υπολογιστικής όρασης, έχω παρατηρήσει μια αύξηση της συχνότητας των “Frankenstein”-style έργων – πρωτοβουλίες που αποτελούν μια σύντηξη προηγούμενων έργων, ενώ προστίθενται περιορισμένες αρχιτεκτονικές καινοτομίες (ή πιθανώς μόνο ένα διαφορετικό είδος δεδομένων).

Φέτος, ένας πολύ μεγαλύτερος αριθμός ασιατικών (κυρίως κινεζικών ή κινεζικών συνεργασιών) συμμετοχών φάνηκε να οδηγείται από ποσοστιαίες rather παρά από αξιοκρατικές, αυξάνοντας σημαντικά το λόγο σήματος προς θόρυβο σε ένα ήδη υπερχρεωμένο πεδίο.

Την ίδια στιγμή, ένας μεγαλύτερος αριθμός ασιατικών ερευνών έχουν επίσης προσελκύσει την προσοχή και τον θαυμασμό μου το 2024. Έτσι, αν αυτό είναι όλα ένα παιχνίδι αριθμών, δεν αποτυγχάνει – αλλά ούτε είναι φτηνό.

Αύξηση του Όγκου των Υποβολών

Ο όγκος των ερευνών, σε όλες τις χώρες προέλευσης, έχει φανερά αυξηθεί το 2024.

Η πιο δημοφιλής ημέρα δημοσίευσης μεταβάλλεται καθ’ όλη τη διάρκεια του έτους· αυτή τη στιγμή είναι η Τρίτη, όταν ο αριθμός των υποβολών στην ενότητα Υπολογιστική Όραση και Αναγνώριση Προτύπων είναι συχνά γύρω στα 300-350 σε μια seule ημέρα, στις “πικ” περιόδους (Μάιος-Αύγουστος και Οκτώβριος-Δεκέμβριος, δηλαδή, εποχή συνεδρίου και “εποχή ποσοστιαίου ορίου” αντίστοιχα).

Πέρα από την εμπειρία μου, η Arxiv herself αναφέρει ένα ρεκόρ αριθμού υποβολών τον Οκτώβριο του 2024, με 6000 συνολικά νέες υποβολές, και η ενότητα Υπολογιστική Όραση είναι η δεύτερη πιο υποβεβλημένη ενότητα μετά τη Μηχανική Μάθηση.

Ωστόσο,既然 η ενότητα Μηχανική Μάθηση στην Arxiv χρησιμοποιείται συχνά ως “πρόσθετη” ή συναγμένη υπερ-κατηγορία, αυτό υποδηλώνει ότι η Υπολογιστική Όραση και Αναγνώριση Προτύπων είναι στην πραγματικότητα η πιο υποβεβλημένη κατηγορία Arxiv.

Οι στατιστικές της Arxiv δείχνουν σαφώς ότι η επιστήμη των υπολογιστών είναι η σαφής ηγέτης στις υποβολές:

Η Επιστήμη των Υπολογιστών (CS) κυριαρχεί στις στατιστικές υποβολών της Arxiv τα τελευταία πέντε χρόνια. Πηγή: https://info.arxiv.org/about/reports/submission_category_by_year.html

Ο πίνακας 2024 AI Index του Πανεπιστημίου του Στάνφορντ, αν και δεν είναι σε θέση να αναφέρει τις πιο πρόσφατες στατιστικές ακόμη, επίσης τονίζει την αξιοσημείωτη αύξηση των υποβολών ακαδημαϊκών ερευνών γύρω από τη μηχανική μάθηση τα τελευταία χρόνια:

Με τα δεδομένα που δεν είναι διαθέσιμα για το 2024, ο πίνακας του Στάνφορντ δείχνει δραματικά την αύξηση του όγκου των υποβολών για έρευνες μηχανικής μάθησης. Πηγή: https://aiindex.stanford.edu/wp-content/uploads/2024/04/HAI_AI-Index-Report-2024_Chapter1.pdf

Διάχυση>Πλέγμα Πλαίσια

Μια άλλη σαφής τάση που εμφανίστηκε για μένα ήταν μια μεγάλη αύξηση των ερευνών που ασχολούνται με τη χρήση Λατινικών Μοντέλων Διάχυσης (LDMs) ως γεννητριών μοντέλων CGI με βάση πλέγμα.

Παραδείγματα τέτοιων έργων περιλαμβάνουν το InstantMesh3D της Tencent, 3Dtopia, Diffusion², V3D, MVEdit, και GIMDiffusion, μεταξύ πολλών άλλων.

Γεννήτρια πλέγματος και βελτίωση μέσω μιας διαδικασίας διάχυσης στο 3Dtopia. Πηγή: https://arxiv.org/pdf/2403.02234

Αυτή η εμφανιζόμενη ερευνητική κατεύθυνση μπορεί να θεωρηθεί ως μια σιωπηλή παραίτηση στην συνεχιζόμενη ακατανίκητη των γενετικών συστημάτων, όπως τα μοντέλα διάχυσης, τα οποία πριν από δύο χρόνια θεωρούνταν ως πιθανός αντικαταστάτης για όλα τα συστήματα που τα μοντέλα διάχυσης>πλέγματος επιδιώκουν τώρα να πληρώσουν; αναθέτοντας τη διάχυση στο ρόλο eines εργαλείου σε τεχνολογίες και ροές εργασίας που χρονολογούνται πριν από τριάντα ή περισσότερα χρόνια.

Η Stability.ai, οι δημιουργοί του ανοικτού κώδικα Stable Diffusion μοντέλου, έχουν gerade κυκλοφορήσει το Stable Zero123, το οποίο μπορεί, μεταξύ άλλων, να χρησιμοποιήσει μια Neural Radiance Fields (NeRF) ερμηνεία μιας εικόνας που παράγεται από AI ως γέφυρα για να δημιουργήσει ένα ρητό, με βάση πλέγμα μοντέλο CGI που μπορεί να χρησιμοποιηθεί σε CGI αρένες όπως το Unity, σε βιντεοπαιχνίδια, σε εικονική πραγματικότητα και σε άλλες πλατφόρμες που απαιτούν ρητές 3D συντεταγμένες, αντί για τις ضمنτικές (κρυφές) συντεταγμένες των συνεχών συναρτήσεων.

Πατήστε για αναπαραγωγή. Εικόνες που παράγονται στο Stable Diffusion μπορούν να μετατραπούν σε λογικά πλέγματα CGI. Εδώ βλέπουμε το αποτέλεσμα μιας διαδικασίας εικόνας>CGI χρησιμοποιώντας το Stable Zero 123. Πηγή: https://www.youtube.com/watch?v=RxsssDD48Xc

3D Σημασιολογία

Ο χώρος της γενετικής AI κάνει μια διάκριση μεταξύ 2D και 3D συστημάτων υλοποίησης της όρασης και των γενετικών συστημάτων. Για παράδειγμα, πλαίσια σηματοδότησης προσώπου, αν και παραστατικά 3D αντικείμενα (πρόσωπα) σε όλες τις περιπτώσεις, δεν υπολογίζουν απαραίτητα διευθυνσιμούς 3D συντεταγμένες.

Το δημοφιλές FANAlign σύστημα, που χρησιμοποιείται ευρέως σε αρχιτεκτονικές deepfake του 2017 (μεταξύ άλλων), μπορεί να φιλοξενήσει και τις δύο προσεγγίσεις:

Πάνω, σημεία αναφοράς 2D παράγονται με βάση τα αναγνωρισμένα χαρακτηριστικά και γραμμές του προσώπου. Κάτω, αυτά racionalize σε 3D X/Y/Z χώρο. Πηγή: https://github.com/1adrianb/face-alignment

Έτσι, όπως το “deepfake” έχει γίνει ένα αμφίβολο και καταληστευμένο όρο, το “3D” έχει επίσης γίνει ένας confusant όρος στην έρευνα υπολογιστικής όρασης.

Για τους καταναλωτές, έχει συνήθως σημαίνει στερεο-ενεργοποιημένα μέσα (όπως ταινίες όπου ο θεατής πρέπει να φορέσει ειδικά γυαλιά); για τους επαγγελματίες οπτικών εφέ και μοντελιστές, παρέχει τη διάκριση μεταξύ 2D έργων τέχνης (όπως концептуαλιστικών σκετς) και μοντέλων με βάση πλέγμα που μπορούν να χειριστούν σε ένα “3D πρόγραμμα” όπως το Maya ή το Cinema4D.

Αλλά στην υπολογιστική όραση, απλά σημαίνει ότι υπάρχει ένα Καρτεσιανό σύστημα συντεταγμένων που υπάρχει κάπου στο λατινικό χώρο του μοντέλου – όχι ότι μπορεί να διευθυνθεί ή να χειριστεί απευθείας από τον χρήστη; τουλάχιστον, όχι χωρίς τρίτους ερμηνευτικούς CGI-βασισμένα συστήματα όπως 3DMM ή FLAME.

Επομένως, η έννοια του διάχυσης>3D είναι ακατάλληλη; όχι μόνο μπορεί οποιοδήποτε τύπος εικόνας (συμπεριλαμβανομένης μιας πραγματικής φωτογραφίας) να χρησιμοποιηθεί ως είσοδος για να παραγάγει ένα γενετικό μοντέλο CGI, αλλά ο λιγότερο αμφίβολος όρος “πλέγμα” είναι πιο κατάλληλος.

Ωστόσο, για να συνδυάσει την αμφιβολία, η διάχυση είναι απαραίτητη για να ερμηνεύσει την πηγή φωτογραφία σε ένα πλέγμα, στην πλειονότητα των αναδυόμενων έργων. Έτσι, μια καλύτερη περιγραφή μπορεί να είναι εικόνα>πλέγμα, ενώ εικόνα>διάχυση>πλέγμα είναι μια ακόμη πιο ακριβής περιγραφή.

Αλλά αυτό είναι ένα δύσκολο πωλητής σε μια συνεδρίαση του διοικητικού συμβουλίου ή σε μια δημοσιότητα που σχεδιασμένη για να ενθαρρύνει τους επενδυτές.

Αποδεικτικά στοιχεία Αρχιτεκτονικών Αδιεξόδων

Ακόμη και σε σύγκριση με το 2023, η τελευταία σοδειά των ερευνών των 12 μηνών εμφανίζει μια αυξανόμενη απελπισία γύρω από την αφαίρεση των σκληρών πρακτικών ορίων της διάχυσης-βασισμένης γεννήτριας.

Το κλειδί εμπόδιο παραμένει η γεννήτρια ναρατίων και χρονικά συνεπών βίντεο, και διατήρηση μιας σταθερής εμφάνισης χαρακτήρων και αντικειμένων – όχι μόνο σε διαφορετικά βίντεο, αλλά ακόμη και σε μια seule γεννημένη βίντεο κλιπ.

Η τελευταία επική καινοτομία στη διάχυση-βασισμένη σύνθεση ήταν η έλευση του LoRA το 2022. Ενώ νεότερα συστήματα όπως το Flux έχουν βελτιώσει κάποια από τα προβλήματα των περιθωρίων, όπως η προηγούμενη αδυναμία του Stable Diffusion να αναπαράγει κείμενο μέσα σε μια γεννημένη εικόνα, και η συνολική ποιότητα της εικόνας έχει βελτιωθεί, η πλειονότητα των ερευνών που μελέτησα το 2024 ήταν ουσιαστικά απλά μετακινώντας το φαγητό γύρω στο πιάτο.

Αυτά τα αδιέξοδα έχουν συμβεί trước, με τα Γενετικά Ανταγωνιστικά Δίκτυα (GANs) και με τα Νευρωνικά Πεδία Ραδιότητας (NeRF), τα οποία δεν κατάφεραν να ανταποκριθούν στις αρχικές τους προοπτικές – και τα οποία χρησιμοποιούνται όλο και περισσότερο σε πιο συμβατικά συστήματα (όπως η χρήση του NeRF στο Stable Zero 123, παραπάνω). Αυτό φαίνεται να συμβαίνει και με τα μοντέλα διάχυσης.

Ερευνες Gaussian Splatting Πηδούν

Φάνηκε ότι στο τέλος του 2023 ότι η μέθοδος rasterization 3D Gaussian Splatting (3DGS), η οποία έκανε το ντεμπούτο της ως μια τεχνική ιατρικής εικόνας στις αρχές της δεκαετίας του 1990, ήταν έτοιμη να ξεπεράσει τα αυτο-κωδικοποιητικά συστήματα ανθρώπινης εικόνας σύνθεσης (όπως η προσομοίωση και αναπαράσταση προσώπου, καθώς και η μεταφορά ταυτότητας).

Το χαρτί του 2023 ASH υποσχέθηκε πλήρους σώματος 3DGS ανθρώπους, ενώ Gaussian Avatars προσέφερε σημαντικά βελτιωμένα λεπτομέρειες (σε σύγκριση με αυτο-κωδικοποιητικά και άλλα ανταγωνιστικά μέθοδοι), μαζί με εντυπωσιακή δια-reenactment.

Ωστόσο, αυτό το έτος, ήταν σχετικά σύντομο σε οποιαδήποτε τέτοια επαναστατικά момέντα για την ανθρώπινη σύνθεση 3DGS; τα περισσότερα από τα χαρτιά που αντιμετώπισαν το πρόβλημα ήταν είτε παραγόμενα από τα παραπάνω έργα, είτε δεν κατάφεραν να υπερβούν τις ικανότητές τους.

Αντίθετα, η έμφαση στο 3DGS έχει BEEN στην βελτίωση της αρχιτεκτονικής της εφικτότητας, οδηγώντας σε μια ρίψη χαρτιών που προσφέρουν βελτιωμένες 3DGS εξωτερικούς περιβάλλοντες. Ιδιαίτερη προσοχή έχει δοθεί σε Simultaneous Localization and Mapping (SLAM) 3DGS προσεγγίσεις, σε έργα όπως Gaussian Splatting SLAM, Splat-SLAM, Gaussian-SLAM, DROID-Splat, μεταξύ πολλών άλλων.

Τα έργα που προσπάθησαν να συνεχίσουν ή να επεκτείνουν τη σύνθεση ανθρώπινου σπλάτινγκ περιλαμβάνουν MIGS, GEM, EVA, OccFusion, FAGhead, HumanSplat, GGHead, HGM, και Topo4D. Αν και υπάρχουν άλλα εκτός από αυτά, κανένα από αυτά τα βγάζει δεν ανταποκρίνεται στην αρχική επίδραση των ερευνών που εμφανίστηκαν στο τέλος του 2023.

Η ‘Εποχή Weinstein’ των Δειγμάτων Ελέγχου είναι σε (Αργή) Παρακμή

Η έρευνα από τη Νοτιοανατολική Ασία γενικά (και την Κίνα ειδικά) συχνά περιλαμβάνει δείγματα ελέγχου που είναι προβληματικά να ξαναδημοσιευτούν σε ένα άρθρο ανασκόπησης, επειδή περιέχουν υλικό που είναι λίγο “ζέστη”.

Εάν αυτό οφείλεται στο γεγονός ότι οι ερευνητές στην περιοχή αυτή του κόσμου προσπαθούν να προσελκύσουν την προσοχή για την έξοδό τους είναι ανοιχτό για συζήτηση; αλλά για τα τελευταία 18 μήνες, ένας αυξανόμενος αριθμός ερευνών γύρω από τη γενετική AI (εικόνα και/ή βίντεο) έχουν προεπιλέξει να χρησιμοποιούν νέες και ελαφρώς ντυμένες γυναίκες και κορίτσια σε παραδείγματα έργων. Παραδείγματα που βρίσκονται στα όρια του NSFW περιλαμβάνουν UniAnimate, ControlNext, και ακόμη και πολύ “στεγνά” χαρτιά όπως Αξιολόγηση Συμμόρφωσης Κίνησης με Fréchet Video Motion Distance (FVMD).

Αυτό ακολουθεί τις γενικές τάσεις των subreddit και άλλων κοινοτήτων που έχουν συγκεντρωθεί γύρω από τα Μοντέλα Διάχυσης (LDMs), όπου το κανόνα 34 παραμένει πολύ σε ισχύ.

Διορία Προσώπου

Τύπος这样的 ανάρμοστου παραδείγματος перекrývající se με την αυξανόμενη αναγνώριση ότι τα AI διαδικασίες δεν πρέπει να εκμεταλλεύονται αυθαίρετα τις ομοιότητες διασήμων – ιδιαίτερα σε μελέτες που χρησιμοποιούν ανεπιφύλακτα παραδείγματα που περιλαμβάνουν ελκυστικές διασήμους, συχνά γυναίκες, και τις τοποθετούν σε αμφισβητούμενους контекστους.

Ένα παράδειγμα είναι AnyDressing, το οποίο, εκτός από το γεγονός ότι περιλαμβάνει πολύ νέες anime-στυλ γυναίκες, επίσης χρησιμοποιεί ελευθέρως τις ταυτότητες κλασικών διασημών όπως η Marilyn Monroe, και τρέχουσες όπως η Ann Hathaway (η οποία έχει καταδικάσει αυτό το είδος χρήσης πολύ φωνητικά).

Η αυθαίρετη χρήση τρέχουσων και ‘κλασικών’ διασημών είναι ακόμη khá κοινή σε χαρτιά από τη Νοτιοανατολική Ασία, αν και η πρακτική είναι λίγο σε παρακμή. Πηγή: https://crayon-shinchan.github.io/AnyDressing/

Στις “δυτικές” ερευνες, αυτή η πρακτική έχει μειωθεί σημαντικά καθ’ όλη τη διάρκεια του 2024, με την ηγεσία των μεγαλύτερων κυκλοφοριών από FAANG και άλλους υψηλού επιπέδου ερευνητικούς οργανισμούς όπως η OpenAI. Κριτικά συνειδητοί του potencial για μελλοντική δίκη, αυτοί οι μεγάλοι εταιρικοί παίκτες φαίνεται να είναι όλο και περισσότερο απρόθυμοι να αναπαραστήσουν ακόμη και πλάσματα φωτογραφικά πραγματικά ανθρώπους.

Αν και τα συστήματα που δημιουργούν (όπως Imagen και Veo2) είναι σαφώς ικανά για τέτοια έξοδο, τα παραδείγματα από τα δυτικά γενετικά AI έργα τώρα τείνουν προς “γλυκά”, Disneyfied και εξαιρετικά “ασφαλή” εικόνες και βίντεο.

Παρά το γεγονός ότι η Imagen έχει την ικανότητα να δημιουργήσει ‘φωτογραφικά’ αποτελέσματα, τα δείγματα που προωθούνται από την Google Research είναι τυπικά φανταστικά, ‘οικογενειακά’ προϊόντα – φωτογραφικά ανθρώπους αποφεύγονται προσεκτικά, ή ελάχιστα παραδείγματα παρέχονται. Πηγή: https://imagen.research.google/

Πρόσωπο-Πλύσιμο

Στις “δυτικές” ερευνες υπολογιστικής όρασης, αυτή η δολία προσέγγιση είναι ιδιαίτερα εμφανής για προσαρμογή συστήματα – μεθόδους που είναι ικανές να δημιουργήσουν συνεπείς ομοιότητες ενός συγκεκριμένου προσώπου σε πολλαπλά παραδείγματα (π.χ., όπως LoRA και η παλαιότερη DreamBooth).

Παραδείγματα περιλαμβάνουν ορθογώνια οπτική ενσωμάτωση, LoRA-Composer, το InstructBooth της Google, και πολλά άλλα.

Το InstructBooth της Google ανεβάζει τον παράγοντα γλυκύτητας στο 11, αν και η ιστορία δείχνει ότι οι χρήστες είναι πιο ενδιαφερόμενοι για τη δημιουργία φωτογραφικά ανθρώπων παρά για γλυκά ή φλουφιά χαρακτήρες. Πηγή: https://sites.google.com/view/instructbooth

Ωστόσο, η άνοδος του “γλυκού παραδείγματος” είναι ορατή σε άλλες ερευνητικές κατευθύνσεις υπολογιστικής όρασης και σύνθεσης, σε έργα όπως Comp4D, V3D, DesignEdit, UniEdit, FaceChain (η οποία παραδέχεται σε πιο πραγματιστικές προσδοκίες στην σελίδα GitHub), και DPG-T2I, μεταξύ πολλών άλλων.

Η ευκολία με την οποία τέτοια συστήματα (όπως LoRAs) μπορούν να δημιουργηθούν από τους χρήστες με σχετικά μετριοπαθείς υλικούς πόρους έχει οδηγήσει σε μια έκρηξη ελεύθερα κατεβάσιμων διασημών μοντέλων στην τοποθεσία civit.ai και κοινότητα. Τέτοια παράνομη χρήση παραμένει δυνατή μέσω της ανοικτής πηγής αρχιτεκτονικών όπως Stable Diffusion και Flux.

Αν και είναι συχνά δυνατό να “χτυπήσετε” τα χαρακτηριστικά ασφαλείας των γενετικών συστημάτων κειμένου-εικόνας (T2I) και κειμένου-βίντεο (T2V) για να παράγουν υλικό που απαγορεύεται από τους όρους χρήσης μιας πλατφόρμας, ο χώρος μεταξύ των περιορισμένων ικανοτήτων των καλύτερων συστημάτων (όπως RunwayML και Sora) και των απεριόριστων ικανοτήτων των απλώς επιδόσεων συστημάτων (όπως Stable Video Diffusion, CogVideo και τοπικές αναπτύξεις του Hunyuan), δεν κλείνει πραγματικά, όπως πολλοί πιστεύουν.

Αντίθετα, αυτά τα ιδιωτικά και ανοικτά συστήματα, αντίστοιχα, απειλούν να γίνουν εξίσου άχρηστα: ακριβά και υπερκλιμακωμένα T2V συστήματα μπορεί να γίνουν υπερβολικά περιορισμένα λόγω φόβων για δίκη, ενώ η έλλειψη υποδομής αδειοδότησης και εποπτείας συνόλου δεδομένων σε ανοικτά συστήματα μπορεί να τα κλείσει εντελώς από την αγορά καθώς πιο αυστηρές κανονιστικές αρχές θα ληφθούν.

Πρώτη δημοσίευση Τρίτη, 24 Δεκεμβρίου 2024