Model text-to-image

Progresele recente în generarea text-to-image au fost determinate de modelele de difuzie, dar modelele cu o singură etapă se confruntă cu provocări în ceea ce privește eficiența computațională și rafinarea detaliilor imaginii. Pentru a rezolva acest lucru, autorii propun CogView3, un cadru în cascadă care îmbunătățește difuzarea text-la-imagine prin crearea mai întâi de imagini cu rezoluție scăzută și apoi aplicând super-rezoluție bazată pe releu. Această abordare are ca rezultat rezultate competitive text-to-image în timp ce...