Stabilna difuzija

Stabilna difuzija je model teksta u sliku dubokog učenja objavljen 2022. zasnovan na tehnikama difuzije. Generativna tehnologija veštačke inteligencije je vrhunski proizvod Stabiliti VI i smatra se da je deo tekućeg buma veštačke inteligencije.

Stable Diffusion

Slika generisana pomoću Stabilne difuzije na osnovu tekstualnog uputstva „fotografija astronauta koji jaše konja「
Prvobitni programer(i)	Runway, CompVis, i Stability AI
Programer(i)	Stability AI
Prva verzija	22. avgust 2022
Najnovija verzija	SDXL 1.0 (model)[1] 26. jul 2023
Pisano u	Piton[2]
Tip	Model teksta u sliku
Licenca	Creative ML OpenRAIL-M
Veb-sajt

Prvenstveno se koristi za generisanje detaljnih slika uslovljenih tekstualnim opisima, mada se može primeniti i na druge zadatke kao što su slikanje, preslikavanje i generisanje prevoda slike u sliku vođeno tekstualnim upitom.^[3] Njegov razvoj uključivao je istraživače iz CompVis grupe na Univerzitetu Ludvig Makimilijan u Minhenu i kompanije Ranvaj uz računsku donaciju kompanije Stabiliti i podatke za obuku neprofitnih organizacija.^[4][5][6][7]

Stabilna difuzija je model latentne difuzije, neka vrsta duboke generativne veštačke neuronske mreže. Njegov kod i ponderi modela su javno objavljeni^[8] i može da radi na većini potrošačkog hardvera opremljenog skromnim GPU-om sa najmanje 4 GB VRAM-a. Ovo je označilo odmak od prethodnih vlasničkih modela teksta u sliku kao što su DALL-E i Midjourney koji su bili dostupni samo preko usluga u oblaku.^[9][10]