Apple sun'iy intellekt bozoridagi yetakchi o'yinchilardan biri emas, lekin texnologiya gigantining tasvirlarni tahrirlash uchun yangi ochiq manbali sun'iy intellekt modeli kompaniya bu sohaga qanday hissa qo'shishi mumkinligini ko'rsatadi.
MLLM-Guided Image Editing (MGIE) deb nomlangan model tasvirni qayta ishlashda matn buyruqlarini sharhlash uchun multimodal katta til modellaridan (MLLM) foydalanadi. Boshqacha qilib aytganda, ushbu vosita yordamida foydalanuvchi o'zi kiritgan matn asosida fotosuratlarni tahrirlash imkoniyatiga ega. Bu buni amalga oshiradigan birinchi vosita bo'lmasa-da, "inson ko'rsatmalari zamonaviy usullarni qo'lga olish va bajarish uchun ba'zan juda qisqa", deyiladi loyiha hujjatida.
Kompaniya MGIEni Kaliforniya universiteti tadqiqotchilari bilan birgalikda ishlab chiqdi. MLLMlar oddiy yoki noaniq matn takliflarini fotosurat muharriri amal qilishi mumkin bo'lgan batafsil va tushunarli ko'rsatmalarga aylantira oladi. Misol uchun, agar foydalanuvchi pepperoni pitsasining fotosuratini "sog'lomroq qilish" uchun tahrir qilmoqchi bo'lsa, MLLM buni "sabzavotli qo'shimchalar qo'shing" deb talqin qilishi va shunga mos ravishda fotosuratni tahrirlashi mumkin.
MGIE asosiy tasvirni o'zgartirishdan tashqari, fotosuratlarni kesish, o'lchamini o'zgartirish va aylantirishi, shuningdek ularning yorqinligi, kontrasti va ranglar balansini yaxshilashi mumkin, bularning barchasi matn takliflari bilan. Shuningdek, ushbu vositadan fotosuratning muayyan joylarini tahrirlash va, masalan, undagi odamning sochlari, ko'zlari va kiyimini o'zgartirish yoki fondagi elementlarni olib tashlash uchun ham foydalanishingiz mumkin.
Apple orqali modelni chiqardi GitHub, ammo qiziquvchilar hozirda Hugging Face Spa-da joylashgan demo versiyasini ham sinab ko'rishlari mumkinces. Kompaniya loyihadan o‘rgangan narsalarini o‘z mahsulotiga qo‘shishi mumkin bo‘lgan vosita yoki xususiyat sifatida foydalanishni rejalashtiryaptimi yoki yo‘qligini hali aytmadi.
Shuningdek o'qing: