Apple nav viens no vadošajiem spēlētājiem mākslīgā intelekta tirgū, taču tehnoloģiju giganta jaunais atvērtā pirmkoda AI modelis attēlu rediģēšanai parāda, cik lielu ieguldījumu uzņēmums varētu sniegt šajā jomā.
Modelis, ko sauc par MLLM vadītu attēlu rediģēšanu (MGIE), izmanto multimodālus lielo valodu modeļus (MLLM), lai interpretētu teksta komandas attēlu apstrādē. Citiem vārdiem sakot, izmantojot šo rīku, lietotājam ir iespēja rediģēt fotoattēlus, pamatojoties uz ievadīto tekstu. Lai gan tas nav pirmais rīks, kas to var paveikt, "cilvēku norādījumi dažkārt ir pārāk īsi, lai mūsdienu metodes to uztvertu un izpildītu", teikts projekta dokumentā.
Uzņēmums izstrādāja MGIE kopā ar Kalifornijas universitātes pētniekiem. MLLM spēj pārveidot vienkāršas vai neskaidras teksta uzvednes par detalizētākām un saprotamākām instrukcijām, kuras var ievērot fotoattēlu redaktors. Piemēram, ja lietotājs vēlas rediģēt peperoni picas fotoattēlu, lai "padarītu to veselīgāku", MLLM var to interpretēt kā "pievienot dārzeņu piedevas" un attiecīgi rediģēt fotoattēlu.
Papildus pamata attēla izmaiņu veikšanai MGIE var arī apgriezt, mainīt izmērus un pagriezt fotoattēlus, kā arī uzlabot to spilgtumu, kontrastu un krāsu līdzsvaru, izmantojot teksta uzvednes. Varat arī izmantot rīku, lai rediģētu noteiktus fotoattēla apgabalus un, piemēram, mainītu tajā redzamās personas matus, acis un apģērbu vai noņemtu elementus fonā.
Apple izlaida modeli cauri GitHub, bet interesenti var izmēģināt arī demonstrācijas versiju, kas šobrīd atrodas Hugging Face Spaces. Uzņēmums vēl nav teicis, vai tas plāno izmantot to, ko tas mācās no projekta, kā rīku vai funkciju, ko tas varētu iekļaut kādā no saviem produktiem.
Lasi arī: