Bryt upp image-to-image översättning

Inledning till image-to-image översättning

Image-to-image översättning är en kraftfull teknik som gör det möjligt för datorer att översätta bilder från ett domän till en annan.

Med den frammarschen inom djup inlärning har image-to-image översättning blivit alltmer populär i olika fält, inklusive bildbehandling och grafik.

Traditionella metoder för image-to-image översättning har dock begränsningar, såsom krav på stora mängder etiketterade data och benägenhet för mode-kollaps.

Vad är samplers och ControlNet?

Samplers och ControlNet är två nyligen framkomna framsteg inom image-to-image översättnings teknologi.

Samplers är en typ av neuralt nätverk som genererar nya prover från ett givet inmatat värde.

ControlNet, å andra sidan, är en typ av neuralt nätverk som kontrollerar utdatan från samplern.

Tillsammans tillhandahåller samplers och ControlNet en mer flexibel och effektiv metod för att utföra image-to-image översättning.

Hur fungerar image-to-image översättning?

Image-to-image översättning fungerar genom att lära sig en kartläggning mellan två domäner.

Kartläggningen lär sig med hjälp av ett neuralt nätverk som tar ett inmatat bild från en domän och producerar en utdatbild i mål-domänen.

Samplers och ControlNet används för att generera nya prover och kontrollera utdatan från neuralt nätverk, respektive.

Här är ett exempel på hur image-to-image översättning fungerar: