Araştırmacılar AI Görüntü Oluşturma Kontrolü için Yeni Yöntem Geliştirdi

North Carolina State Üniversitesi’nden araştırmacılar, otonom araçlar gibi alanlarda kullanılabilecek bir dizi yapay zeka (AI) görüntü oluşturma kontrolü yöntemi geliştirdiler.

Koşullu Görüntü Oluşturma ve Diğer Teknikler

Koşullu görüntü oluşturma, AI sistemlerinin belirli koşullara göre görüntüler oluşturmasını içeren bir AI görevidir. Kullanıcı, görüntüdeki nesnelerin belirli yerlerde görünmesini isteyebilir. Yeni teknikler, bu koşulları daha da ileriye taşımış ve görüntü düzeni için koşulları içermektedir.

Üniversitedeki araştırmacılar tarafından geliştirilen yeni yöntemler, bu tekniklerin hepsini bir araya getirmekte ve kullanıcıların görüntüleri üzerinde daha fazla kontrol sahibi olmasını sağlamaktadır.

Tianfu Wu, araştırma makalesinin ortak yazarı ve NC State’de bilgisayar mühendisliği yardımcı profesörüdür.

“Yaklaşımımız yüksek oranda yeniden yapılandırılabilir” diyor Wu. “Önceki yaklaşımlar gibi, ours de kullanıcıların belirli koşullara göre bir görüntü oluşturmasını sağlar. Ancak ours, aynı zamanda bu görüntüyü korumanızı ve üzerine eklemelerinizi sağlar. Örneğin, kullanıcılar AI’nın bir dağ manzarası oluşturmasını isteyebilir. Kullanıcılar daha sonra sistemden bu manzaraya kayakçılar eklemesini isteyebilir.”

Elemanları Manipüle Etme

Yeni yöntemle, kullanıcılar AI’nın elemanları manipüle etmesini sağlayabilir, böylece aynı elemanlar farklı şekillerde değişebilir. Bir örnek, AI’nın kayakçıların manzara boyunca hareket ederken dönmesini sağlayan bir dizi görüntü oluşturması olabilir.

“Bu yöntemin bir uygulaması, otonom robotların bir görevi başlamadan önce sonuçlarının nasıl olacağını hayal etmelerine yardımcı olmak olabilir” diyor Wu. “Ayrıca, AI eğitimi için görüntüler oluşturmak için bu sistemi kullanabilirsiniz. Böylece, dış kaynaklardan görüntüler derlemek yerine, bu sistemi diğer AI sistemleri için eğitim görüntüleri oluşturmak için kullanabilirsiniz.”

Yeni yaklaşım, COCO-Stuff veri kümesi ve Visual Genome veri kümesi ile test edildi ve görüntü kalitesi standartlarına göre önceki yöntemleri geride bıraktı.

“Sonraki adım, bu çalışmayı video ve üç boyutlu görüntülere genişletmek olacak” diyor Wu.

Araştırmacılar, yeni yöntemi eğitmek için 4-GPU iş istasyonuna güvenmek zorunda kaldılar, çünkü ağır hesaplama gücü gerekiyordu. Buna rağmen, sistemi dağıtmak hala daha az hesaplama gücü gerektiriyor.

“Bir GPU ile neredeyse gerçek zamanlı hız elde ediyoruz” diyor Wu.

“Makalemizin yanı sıra, bu yaklaşımın kaynak kodunu GitHub’da yayınladık. Ayrıca, endüstri ortaklarıyla işbirliğine her zaman açığız.”