Google Imagen 4: Van esélye utolérni az OpenAI GPT image 1 képgenerátorát?

Az Imagen 4 a Google legújabb képgeneráló mesterséges intelligencia modellje, amely szöveges utasításokból (promptokból) hoz létre kiváló minőségű képeket. Ez a Google DeepMind által fejlesztett modell.

*Linkek*
Google Deepmind Imagen 4: https://deepmind.google/models/imagen/
Imagen 4 Model Card: https://storage.googleapis.com/deepmind-media/Model-Cards/Imagen-4-Model-Card.pdf
Google Gemini: https://gemini.google.com/
Google AI Studio: https://aistudio.google.com/generate-image
Google Whisk: https://labs.google/fx/tools/whisk
GitHub Képgenerátor Aréna: https://github.com/mp3pintyo/Leaderboard-Image
NordVPN: https://refer-nordvpn.com/PLfnZbUZLmQ

Mit tudunk róla?

- Kiváló képminőség: Általánosságban magasabb képminőséget biztosít minden stílusban és fotorealisztikus képeket képes létrehozni.
- Részletes kidolgozás: Figyelemre méltó megjelenést mutat az olyan finom részleteknél, mint a szövetek, vízcseppek és állati szőrök. Közelképeknél gazdagabb színeket, textúrákat és színátmeneteket képes megjeleníteni.
- Fejlett szövegkezelés: Jelentősen javult a szöveg megjelenítése és a tipográfia. Segít például üdvözlőlapok, plakátok és képregények készítésében.
- Különböző művészeti stílusok: Pontosabban tud különféle művészeti stílusokat megjeleníteni, a fotorealizmustól és impresszionizmustól az absztraktig és illusztrációig.
- Magasabb felbontás: Akár 2K felbontású képeket is képes generálni.
- Prompt követés: Kiválóan követi a promptokban megadott részleteket és utasításokat. Támogatja a többnyelvű promptokat is.
- Sebesség: Gyorsabb, mint az Imagen 3. Hamarosan elérhető lesz egy még gyorsabb változat, amely akár 10x gyorsabb lehet az előző modellnél.
- Elérhetőség: Elérhető a Vertex AI-n (nyilvános előzetesben), a Gemini alkalmazásban, a Whisk-en, valamint a Google Workspace alkalmazásaiban, mint a Slides, Vids és Docs.
- Eredmények: Az emberi értékelések alapján az Imagen 4 magas pontszámot ért el a GenAI-Bench teszteken az általános preferenciát illetően más modellekhez képest.

Miben fejlődött az Imagen 3-hoz képest?

- Általános minőség: Magasabb általános képminőség.
- Szöveg és tipográfia: Jelentősen jobb helyesírás és tipográfia.
- Felbontás: Támogatja a 2K felbontást.
- Sebesség: Gyorsabb, mint az Imagen 3.
- Részletek és színek: Gazdagabb színek, textúrák és részletek.
- Prompt követés: Jobb utasításkövetés.

Milyen korlátai vannak?

- Absztrakt logikai feladatok: Még mindig nehézségei vannak az olyan feladatokkal, amelyek numerikus érvelést igényelnek (például pontos számú tárgy generálása).
- Kompozíciós és térbeli érvelés: A modellek számára nehéznek bizonyulnak az olyan promptok, amelyek méretre (skála), összetett kifejezésekre, cselekvésekre vagy térbeli érvelésre vonatkoznak.
- Középre igazítás: Néha gondot okoz a képek középre igazítása.
- Zavaros promptok: Értelmetlen promptokra (például emojik vagy véletlenszerű karakterláncok) kiszámíthatatlan kimenetet adhat.
- Artefaktumok: Összetett kompozícióknál továbbra is előfordulhatnak artefaktumok, különösen apró arcok, szöveg vagy vékony struktúrák esetén.

Felelősség és biztonság

- Az Imagen 4 tartalmazza a SynthID nevű technológiát, amely láthatatlan digitális vízjelet ágyaz be a generált képekbe, segítve az AI által generált média azonosítását.
- A bemeneti promptokat és a kimeneti tartalmat biztonsági szűrők ellenőrzik.

Megjegyzendő továbbá, hogy egy művészcsoport keresetet nyújtott be a Google ellen az Imagen AI képgenerátorokkal kapcsolatban, azt állítva, hogy azokat az ő munkáikon képezték ki engedély nélkül. A kereset szerint az Imagen egy "jogellenesen származtatott mű", amelyen keresztül a Google "hatalmas szerzői jogsértést" követett el azáltal, hogy többször reprodukálta az eredeti műveiket, mivel azokat a nyílt forráskódú LAION-400M korpuszon képezték. A kereset az Imagen 2 és a Gemini alapmodell képzéséhez felhasznált munkákra is vonatkozik.