ایمجن

ایمجن
توسعه‌دهنده(ها)گوگل دیپ‌مایند
انتشار اولیهمه ۲۰۲۲ (2022-05)
انتشار پایدار
ایمجن ۴ / ۲۰ مه ۲۰۲۵ (2025-05-20)
نوعمدل متن به تصویر
وبگاه

اْیمَجِن (به انگلیسی: Imagen) مجموعه‌ای از مدل‌های تبدیل متن به تصویر است که به‌دست گوگل دیپ‌مایند توسعه یافته‌اند. این مدل‌ها تا پیش از ادغام شرکت در آوریل ۲۰۲۳ با دیپ‌مایند، توسط گوگل برین توسعه داده می‌شدند.[۱] کاربرد اصلی ایمجن تولید تصویر از روی توصیف‌های متنی است، عملکردی که مشابه با مدل‌های استیبل دیفیوژن متعلق به استبیلیتی ای‌آی، دال ئی متعلق به اوپن‌ای‌آی و میدجرنی به‌شمار می‌رود.

نسخهٔ اولیهٔ این مدل نخستین بار در مقاله‌ای در مهٔ ۲۰۲۲ تشریح شد.[۲] این ابزار تصاویری با کیفیت بالا تولید می‌کند و از طریق سرویس‌هایی نظیر جمینای، ایمیج‌اف‌ایکس (ImageFX) و ورتکس ای‌آی (Vertex AI) برای تمام کاربرانِ دارای حساب کاربری گوگل در دسترس قرار گرفته است.[۳]

تاریخچه

نسخهٔ اولیهٔ ایمجن نخستین بار در مقاله‌ای که در مهٔ ۲۰۲۲ منتشر شد، معرفی گردید. این نسخه توانایی تولید تصاویری با وفاداری و وضوح بالا را از روی زبان طبیعی داشت.[۲] نسخهٔ دوم، تحت عنوان «ایمجن ۲»، در دسامبر ۲۰۲۳ عرضه شد.[۴] ویژگی برجستهٔ آن، تولید متن و نشان‌وارهٔ درون تصویر بود.[۵] «ایمجن ۳» در اوت ۲۰۲۴ منتشر شد.[۶] شرکت گوگل اعلام کرد که این نسخه، جزئیات و نورپردازی بهتری در تصاویر تولیدشده ارائه می‌دهد.[۷] در ۲۰ مهٔ ۲۰۲۵ و در جریان رویداد گوگل آی/او ۲۰۲۵، این شرکت مدل بهبودیافتهٔ «ایمجن ۴» را معرفی کرد.[۸]

فناوری

ایمجن از دو فناوری کلیدی بهره می‌برد. نخست، بهره‌گیری از مدل‌های زبانی بزرگ بر پایهٔ معماری ترنسفورمر (به‌ویژه T5) برای درک متن و سپس کدگذاری آن جهت سنتز تصویر است. دوم، استفاده از مدل‌های انتشاری متوالی و آبشاری است که تولید تصاویری با وفاداری بالا را فراهم می‌سازد. فرایند تولید تصویر در ایمجن در سه مرحله انجام می‌گیرد؛ ابتدا با یک تصویر پایه با اندازهٔ ۶۴×۶۴ پیکسل آغاز می‌شود و در مراحل بعدی به اندازه‌های ۲۵۶×۲۵۶ و نهایتاً ۱۰۲۴×۱۰۲۴ پیکسل ارتقا پیدا می‌کند.[۲] نسخهٔ ایمجن ۴ تصاویری با وضوح حداکثر تا ۲کیلوپیکسل (2K) تولید می‌کند.[۹]

توانمندی‌ها

ایمجن می‌تواند تصاویری فوتورئالیستی و با شباهت بسیار به واقعیت را از روی توصیف‌های متنی تولید کند.[۳] این مدل توانایی بازآفرینی در سبک‌های گوناگونی همچون سینمایی، فیلم ۳۵ میلی‌متری، تصویرگری و فراواقع‌گرایی را دارد. با این حال، مشابه با بیشتر مدل‌های هوش مصنوعی مولد متن به تصویر، ایمجن نیز در پردازش و نمایش دقیق انگشتان انسان، متن‌های طولانی، دوسویه‌نگاشت‌ها و دیگر ساختارهای تایپوگرافی با چالش روبه‌رو است.

این مدل می‌تواند تصاویر را در پنج نسبت ابعاد گوناگون تولید کند: ۹: ۱۶، ۳: ۴، ۱: ۱، ۴: ۳ و ۱۶: ۹. افزون بر این، کاربران می‌توانند با اصلاح یا ویرایش پرامپت متنی، تصاویر تولیدشده را تغییر دهند و بهبود بخشند.[۷]

جستارهای وابسته

پانویس

  1. ↑ Roth, Emma; Peters, Jay (2023-04-20). "Google's big AI push will combine Brain and DeepMind into one team". The Verge. Archived from the original on 2023-04-20. Retrieved 2025-03-18.
  2. 1 2 3 Saharia, Chitwan; Chan, William; Saxena, Saurabh; Li, Lala; Whang, Jay; Denton, Emily; Seyed Kamyar Seyed Ghasemipour; Burcu Karagol Ayan; Sara Mahdavi, S.; Rapha Gontijo Lopes; Salimans, Tim; Ho, Jonathan; David J Fleet; Norouzi, Mohammad (2022). "Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding". arXiv:2205.11487 [cs.CV].
  3. 1 2 Peterson, Jake (2024-08-16). "Anyone With a Google Account Can Try Google's Latest AI Image Generator Right Now". Lifehacker (in English). Retrieved 2025-03-18.
  4. ↑ "Imagen 2 - our most advanced text-to-image technology". Google DeepMind (in English). 2025-03-12. Retrieved 2025-03-18.
  5. ↑ Wiggers, Kyle (2023-12-13). "Google debuts Imagen 2 with text and logo generation". TechCrunch (in American English). Retrieved 2025-03-18.
  6. ↑ Schoon, Ben (2024-08-16). "Google opens access to Imagen 3, its latest model for AI image generation". 9to5Google (in American English). Archived from the original on 2024-08-18. Retrieved 2025-03-18.
  7. 1 2 Christian Rowlands (2025-02-26). "Some of the most realistic AI images you'll see were created with this free tool". TechRadar (in English). Retrieved 2025-03-18.
  8. ↑ Kyle Wiggers (2025-05-20). "Imagen 4 is Google's newest AI image generator". techcrunch.com (in English). Retrieved 2025-03-18.
  9. ↑ "Imagen". Google DeepMind (in English). Retrieved 2025-10-28.

پیوند به بیرون

This page is issued from ویکی‌پدیا. The text is available under Creative Commons Attribution-Share Alike 4.0 unless otherwise noted. Additional terms may apply for the media files.