“计算机视觉被GPT-4o终结了”(狗头)

31次阅读
没有评论

计算机视觉被GPT-4o终结了”(狗头)

GPT-4o原生多模态图像生成更多玩法被开发出来

梦晨 发自 凹非寺
量子位 | 公众号 QbitAI

一夜之间,CV被大模型“解决”了(狗头)。

万物皆可吉卜力之后,GPT-4o原生多模态图像生成更多玩法被开发出来。

一个男友回头表情包,可以秒变语义分割图。

“计算机视觉被GPT-4o终结了”(狗头)

也可以秒变深度图

“计算机视觉被GPT-4o终结了”(狗头)

这下不光上一代AI画图工具和设计师,计算机视觉研究员也哭晕在厕所了。

“计算机视觉被GPT-4o终结了”(狗头)

这是NASA前工程师测试特斯拉自动驾驶系统的伪装“隐形墙”,在GPT-4o面前也无所遁形。

“计算机视觉被GPT-4o终结了”(狗头)
“计算机视觉被GPT-4o终结了”(狗头)

这下OpenAI应用研究主管Boris Power已经把脑筋动到了自动驾驶,称只需要训练最强大的基础模型,然后微调。

“计算机视觉被GPT-4o终结了”(狗头)

3D渲染领域也惨遭毒手,GPT-4o可以生成PBR材质(基于物理渲染的材质),纹理、法线贴图等直接来一套。

“计算机视觉被GPT-4o终结了”(狗头)

对于这些能力,也有人认为没什么大不了的,Stable Diffusion + ControlNet就可以全部实现。

“计算机视觉被GPT-4o终结了”(狗头)

但不可否认,靠扩大基础模型规模就能做到,也是令人意想不到的。

GPT-4o图像生成是自回归模型

这波GPT-4o原生图像生成的技术细节,OpenAI是一点也没有公布(粗节也没有公布)。

但还是有人从System Card中发现了蛛丝马迹。

DALL·E是一个扩散模型不同,GPT-4o图像生成是原生嵌入在ChatGPT内的自回归模型。

“计算机视觉被GPT-4o终结了”(狗头)

还有人观察图像的生成过程,发现很可能是多尺度自回归的组合,先生成一个粗略的图像,填充细节的同时,粗略图形本身也在变化。

“计算机视觉被GPT-4o终结了”(狗头)

自回归模型根据之前的像素或patch预测下一个像素或patch,获得更好地遵循指令,以及图像编辑的能力。

但也有人引用发OpenAI员工Allan Jabri晒出的板书图,提出在解码阶段仍然有可能用了扩散模型。

“计算机视觉被GPT-4o终结了”(狗头)

针对这一猜想,更具体的实现方法可以参考Meta等24年8月的一篇论文:使用一个多模态模型同时预测预测下一个token和扩散图像。

“计算机视觉被GPT-4o终结了”(狗头)
“计算机视觉被GPT-4o终结了”(狗头)

最后,微信评论区能发图片了,欢迎大家把更多GPT-4o有趣玩法晒出来~

GPT-4o Native Image Generation System Card

https://cdn.openai.com/11998be9-5319-4302-bfbf-1167e093f1fb/Native_Image_Generation_System_Card.pdf

Transfusion: Predict the Next Token and Diffuse Images with One Multi-Modal Model

https://arxiv.org/abs/2408.11039v1

参考链接:
[1]https://x.com/fofrAI/status/1905289275316326679
[2]https://x.com/a_karvonen/status/1905372299814932963

版权所有,未经授权不得以任何形式转载及使用,违者必究。

Read More 

正文完
可以使用微信扫码关注公众号(ID:xzluomor)
post-qrcode
 
评论(没有评论)
Generated by Feedzy