V případě GAN se model skládá z generátoru a diskriminátoru, oba jsou tvořeny neuronovými sítěmi. Generátor vytváří obrázky z náhodného šumu, zatímco diskriminátor se snaží rozlišit, zda je vygenerovaný obrázek pravý nebo falešný. Jak trénink postupuje, generátor se učí generovat stále realističtější obrázky, které oklamou diskriminátor.
PUBLICITA
Modely autoregresního toku, jako je PixelCNN, generují obrázky pixel po pixelu podle rozdělení pravděpodobnosti. Tento model začíná vygenerováním prvního pixelu obrázku a poté použije tyto informace ke generování dalšího pixelu a tak dále, dokud není vygenerován celý obrázek.
Bez ohledu na použitou metodu je nezbytné umělou inteligenci napájet velkým a rozmanitým souborem tréninkových dat, který obsahuje obrázky tváří, zvířat, krajiny a dalších prvků.
Čím rozmanitější a objemnější je soubor tréninkových dat, tím lepší je schopnost AI vytvářet realistické a přesvědčivé obrázky. AI zobrazování je zkrátka neustále se vyvíjející obor, který promevýznamný pokrok v několika oblastech, včetně designu, reklamy a zábavy.
PUBLICITA
*Text tohoto článku byl částečně vytvořen ChatGPT, jazykový model založený na umělé inteligenci vyvinutý společností OpenAI. Textové položky byly vytvořeny uživatelem Curto Zprávy a odpovědi záměrně reprodukovány v plném rozsahu. Odpovědi od ChatGPT jsou automaticky generovány a nepředstavují názory OpenAI nebo osoby spojené s modelem. Veškerá odpovědnost za publikovaný obsah spočívá na Curto Zprávy.
Viz také:
