Rude apropiate

Aceeași țintă, filosofii complet diferite

Toate cele trei mari abordări încearcă același lucru: să primească o mână de zgomot aleatoriu și să-l transforme într-o formă coerentă, ce ar fi putut foarte bine să facă parte din datele reale ale lumii. Toate pornesc din aceeași materie primă — hazardul pur — și toate trebuie judecate după aceleași două mari întrebări: cât de convingătoare sunt mostrele produse și cât de mult din bogăția întregului set de date reușesc să acopere?

Poligonul nostru de încercare rămâne aceeași spirală elegantă din lecția despre difuzie, cu cele șase sute de puncte ale sale. Vom antrena pe rând fiecare dintre cele trei metode, chiar în această pagină, urmărind diferențele lor intime de caracter.

Falsificatorul și expertul: rețelele adversariale (GAN)

Cea mai veche și mai spectaculoasă dintre cele trei metode este rețeaua adversarială (GAN). Ea pune în scenă un duel captivant între două rețele rivale: falsificatorul (generatorul) și detectivul de artă (discriminatorul). Falsificatorul pornește de la zgomot și încearcă să fabrice un punct plauzibil; detectivul primește când un punct autentic din spirală, când unul plăsmuit, și încearcă să spună fără greșeală care e care.

Cele două se antrenează într-o competiție nemiloasă: fiecare greșeală a detectivului îl învață să devină mai vigilent, iar fiecare demascare îl forțează pe falsificator să devină mai rafinat. Această luptă are o trăsătură unică pe care celelalte metode o invidiază: generarea se produce instantaneu, dintr-o singură trecere prin rețea! Nu există pași intermediari, nu există developare treptată și nimic de repetat.

Serpentinele și linia dreaptă: difuzie vs. potrivire de flux

Difuzia, așa cum am explorat-o în detaliu, refuză saltul dintr-o bucată: ea curăță zgomotul cu răbdare benedictină, în zeci sau sute de pași mărunți, adăugând și scăzând praf la fiecare cotitură. Este un drum sinuos pe serpentine, ghidat de un câmp curbat de forțe.

Cea mai nouă dintre abordări — devenită fundamentul noilor modele de vârf din industrie — este potrivirea de flux (Flow Matching). Ea își pune o întrebare dezarmant de simplă: „dacă vrem să călătorim de la un punct de zgomot la un punct real din date, de ce să facem ocoluri complicate și curbate? De ce să nu trasăm o linie perfect dreaptă între zgomot și imagine?”.

Rețeaua de flux învață viteza constantă cu care trebuie să ne deplasăm de-a lungul acestor linii drepte. La generare, calculatorul pornește din zgomot și înaintează drept, cu pas hotărât, pe traiectoria indicată. Deoarece cărarea este dreaptă și previzibilă, ea poate fi parcursă într-un număr mult mai mic de pași, fără să piardă din fidelitate.

Panourile se antrenează independent, prin butonul fiecăruia. Difuzia și fluxul învață în câteva secunde, în timp ce perechea adversarială cere mai multă răbdare, deoarece la fiecare iterație trebuie sincronizate două rețele rivale.

Viteza pe ceas: de câți pași e cu adevărat nevoie?

Odată ce o rețea a fost antrenată, o putem ruga să deseneze alocându-i bugete diferite de timp: de la doar 2 sau 5 pași rapizi, până la 20 sau 50 de pași meticuloși. Tabelul compară performanțele difuziei și ale fluxului la diferite viteze de eșantionare.

Acoperirea măsoară în câte dintre cele 24 de sectoare ale spiralei reușesc să ajungă punctele generate. Ea arată dacă modelul stăpânește întreaga diversitate a formei sau doar un colț confortabil. O metodă care generează doar câteva puncte frumoase, dar aglomerate obsesiv în același loc (fenomenul de colaps al modurilor), seamănă cu un pictor care a învățat să picteze impecabil doar un măr și refuză să deseneze orice altceva. Adevărata inteligență generativă cere acoperire completă.

Trei poteci spre același vârf: stabilitate versus viteză

Rețeaua adversarială ascunde un mare secret, care nu se vede dintr-o singură încercare norocoasă: este teribil de instabilă la antrenare. Dacă o antrenați din nou, pornind de la alte valori numerice de start, ea poate atinge o formă splendidă sau se poate prăbuși catastrofal, blocându-se într-un punct mort în care desenează doar mâzgălituri fără sens.

Apăsați butonul de mai jos pentru a antrena perechi noi de GAN și priviți variația rezultatelor: nesiguranța este prețul plătit pentru saltul dintr-un singur pas.

Iată tabloul complet al celor trei poteci montane spre același vârf: traseul pe creastă ascuțită (GAN-ul), care este cel mai scurt și direct, dar cu riscul uriaș de prăbușire; traseul pe serpentine largi (Difuzia), lung și răbdător, dar complet lipsit de surprize neplăcute; și drumul drept, curățat și eficient (Flow Matching), croit anume ca să îmbine siguranța cu viteza.

Această comparație explică istoria ultimilor ani: multă vreme, GAN-urile au fost singurele capabile de imagini clare, iar cercetătorii le-au îndurat capriciile. Apoi, difuzia a cucerit lumea fiindcă funcționa de fiecare dată, fără eșecuri neașteptate. Iar astăzi, potrivirea de flux oferă ce este mai bun din ambele lumi: traiectorii drepte, stabile și rapide.

Cu această privire de ansamblu se încheie călătoria noastră prin universul imaginilor. În partea următoare a cursului nu vom mai privi textul și imaginea ca pe două lumi separate, ci le vom aduce laolaltă într-un singur spațiu comun de gândire.