Kvalitné obrázky bez čakania. Nový AI model ich dokáže generovať v reálnom čase

Ak ste už niekedy skúšali generovať obrázky pomocou umelej inteligencie, určite poznáte postup. Najprv napíšete vašu predstavu, potom niekoľko sekúnd až minút počkáte a po chvíľke napätia sa dočkáte obrázka, ktorý len málokedy na prvý pokus spĺňa vašu pôvodnú predstavu.

V prípade nového modelu Stable Diffusion XL Turbo však už medzi týmito pokusmi čakať nemusíte, aspoň nie tak dlho. Na výkonnom hardvéri dokáže nový model generovať obrázky prakticky v reálnom čase.

V oblasti generatívnej umelej inteligencie poznáme najmä dva hlavné typy modelov – difúzne modely, ktoré vytvárajú veľmi kvalitné obrázky prostredníctvom viacerých krokov postupnej iterácie a GAN modely postavené na generátore, ktorý produkuje výsledky a diskriminátore, ktorý sa snaží rozlíšiť či je vzorka skutočná alebo falošná.

Modely GAN sú výrazne rýchlejšie, keďže výsledky tvoria zvyčajne iba v jednom kroku, no v kvalite výstupov za difúznymi modelmi viditeľne zaostávajú. Cieľom tímu Stability AI, ktorý stojí za známym generátorom obrázkov Stable Diffusion, bolo najlepšie vlastnosti týchto dvoch modelov spojiť do jedného a zdá sa, že v tom boli úspešní.

Nový model Stable Diffusion XL Turbo stavia na novej technike generovania obrázkov zvanej Adversarial Diffusion Distillation (ADD). Nový model v tomto prípade využíva už natrénovaný difúzny model (učiteľa) a použije ho na natrénovanie nového, zjednodušeného modelu (študenta).

Študenta následne model trénuje dvoma spôsobmi. V prvom rade od neho vyžaduje, aby jeho obrázky vyzerali čo najrealistickejšie a zároveň, aby sa čo najviac podobali na výstupy učiteľa. Výsledný ADD model dokáže generovať kvalitné obrázky v 1-4 krokoch namiesto desiatok krokov, ktoré vyžadujú doterajšie difúzne modely.

V praxi dokáže SDXL Turbo generovať takmer rovnako kvalitné obrázky ako pôvodný model, avšak za výrazne kratší čas. Prakticky v reálnom čase, resp. tak rýchlo, ako dokáže väčšina ľudí písať, dokáže model generovať obrázky najmä na špecializovanej karte NVIDIA A100. Obrázok v rozlíšení 512×512 pixelov dokáže vygenerovať za 207 milisekúnd.

Podľa prvých dojmov portálu Ars Technica dokáže ale model prekvapiť aj na bežne dostupných herných grafických kartách. V prípade karty NVIDIA GeForce RTX 3060 portál zvolil generovanie obrázka v 3 krokoch a v rozlíšení 1 024 x 1 024 pixelov, kde sa výsledok dostavil za zhruba 4 sekundy. Predchádzajúci model na to potreboval 20 krokov a trvalo mu to celkovo 26,4 sekundy.

Vyskúšať si beta verziu generovania obrázkov takmer v reálnom čase môžete na stránke clipdrop.co, kde je k dispozícii bezplatná skúšobná verzia. Ak narazíte na jej limit, stránka vám automaticky ponúkne prechod na platenú Pro verziu, ktorá v súčasností stojí 13 eur mesačne, resp. 104 eur ročne.

Lokálne je možné model v súčasnosti využiť iba na osobné a nekomerčné účely, avšak Stability AI sa nebráni ani spolupráci. Bude tak zaujímavé sledovať, kde ho v najbližších mesiacoch ešte všade uvidíme nasadený v praxi. Je možné, že sa SDXL Turbo stane základom pre úplne nové formy AI služieb a možno ho uvidíme časom aj prepojený s modelom Stable Video Diffusion, ktorý dokáže premeniť statické obrázky na krátke videá.