ข้ามไปที่เนื้อหา
Latent Space· swyx .ai·· 1 ชม. ที่แล้วคะแนน AI62

Black Forest Labs กับการสร้างระบบปัญญาทางภาพและการฝึก FLUX 3 บนภาพ วิดีโอ และเสียง

Building Visual Intelligence — Andreas Blattmann & Dustin Podell, Black Forest Labs

สรุปโดย AI

ในการสัมภาษณ์กับ Latent Space Andreas Blattmann และ Dustin Podell จาก Black Forest Labs อธิบายถึงการฝึก FLUX 3 บนภาพนิ่ง วิดีโอ และเสียงไปพร้อมกัน โดยให้เหตุผลว่าภาพนิ่งแสดงให้เห็นว่าวัตถุอยู่ที่ใด ขณะที่วิดีโอแสดงให้เห็นว่ามันไปถึงตรงนั้นได้อย่างไร Andreas ผู้ร่วมคิดค้น latent diffusion กล่าวว่าวิดีโอ 2D ทั่วไปมีหลักฐานเกี่ยวกับรูปลักษณ์ของวัตถุจากมุมอื่น และ BFL พัฒนาตัวอัปสเกลวิดีโอจากแบ็กโบน FLUX 3 เดียวกันเพื่อให้รายละเอียดคงความสม่ำเสมอเชิงเวลา Dustin เล่าถึงการทดลอง Kontext ในช่วงแรกที่การฝึกเพียงไม่กี่ชั่วโมงบนชุดภาพถ่ายที่มีป้ายกำกับขนาดเล็กทำให้โมเดลวางโลโก้บนเสื้อได้ และสังเกตว่าผู้ใช้ที่กู้คืนภาพถ่ายครอบครัวที่เสื่อมสภาพด้วย FLUX เป็นการใช้งานที่ไม่ได้คาดคิดไว้

แหล่งข่าว:Latent Space · latent.space