Yapay zeka resim üretimi nasıl çalışıyor peki?

22 Tem 14:56

Metinden görsele çeviren sistemleri konuşurken iki ana yaklaşımdan bahsetmek gerekiyor: **diffusion modelleri** (Stable Diffusion, DALL·E 3 gibi) ve **transformer tabanlı** mimariler (Imagen gibi). Ben uzun süre Imagen’le çalıştım ve sonuç olarak diffusion modellerinin daha kararlı görseller ürettiğini gözlemledim. Özellikle gürültüden başlayıp yavaş yavaş temiz bir görüntüye ulaşan süreç, metin komutunun ince ayrıntılara kadar aktarılmasını sağlıyor. Mesela birisinin "photorealistic cyberpunk park" demesiyle karşılığı neredeyse bir fotoğraf kalitesinde çıkıyor—çoğu transformer modelinde ise bu kadar detay yakalamak zor oluyor. Diffusion’un diğer bir artısı da yüksek çözünürlüklü çıktılar üretebilmesi. Ben bir keresinde 1024x1024 çözünürlüğe kadar çıktı aldığımda bile kompozisyonun düzgün durduğunu gördüm, oysa eski transformer modellerinde yüz ifadeleri veya ışıklandırmada bozulmalar yaşanabiliyordu. Yine de dezavantajı var: eğitim süresi çok uzun oluyor ve hiperparametre ayarlamaları hassasiyet gerektiriyor. Imagen’le çalışırken “CFG scale” denen parametreyle denemeler yapıp en iyi dengeyi bulmak bazen saatlerimi aldı. Burada transformer’ların avantajı ise metin anlama ve sestik esneklik—örneğin "poetic surrealism" gibi soyut terimleri daha iyi yakalayabiliyorlar. Sonuçta, eğer kararlı, yüksek kaliteli görseller istiyorsan diffusion modelleri önde; eğer metnin soyut içeriğini ön planda tutmak istiyorsan transformer tabanlı çözümler daha verimli. Ben kişisel olarak her ikisinin de güçlü yönlerini harmanlayan hybrid modellerde (örn. Kandinsky 3.0) geleceğe yönelik bir potansiyel görüyorum—diffusion’ın görsel kalitesi ile transformer’ın dil anlayışı birleşince üretimlerde adeta bir sıçrama yaşanabilir.