A Meta (Facebook) bő egy hete mutatta be a rövid szöveges leírásból (promptból) nagyon rövid videót generáló Make-A-Video mesterségesintelligencia-modellt. Egy héttel később a Google tovább lépett: Phenaki nevű rendszere néhány mondatból tetszőleges hosszúságú, komplett narratívát hoz létre. A…

A Meta (azaz a Facebook) bemutatta Make-A-Video („Csinálj videót”) nevű, rövid szöveges utasítások (promptok) alapján rövid videókat generáló mesterségesintelligencia-rendszerét. Begépeljük például, hogy „szuperhős- ruhába, vörös köpenybe öltözött kutya átrepül az égen” mondatot, mire az MI öt…

Hogyan generáljunk szuperszámítógép nélkül, közönséges grafikus kártyával másodpercek alatt szövegből képet, például hogyan „várják boldog zöldségek a vacsorát?” A kérdés kicsit sci-finek (másrészt bugyutának) hangzik, pedig nem az, mert a Müncheni Ludwig-Maximilian Egyetem (LMU) Stable Diffusion…

A gépi tanulás fejlődése alkalmat ad arra is, hogy újféle szórakozási módokat próbáljunk ki, például képzeletbeli pizzákról generáljunk képeket, vagy akcióhősök szájmozgását hozzuk összhangba slágerekkel. Egyes eszközök lehetővé teszik, hogy az „internet népe” a populáris kultúra elemeit korábban…

A gépi látás egyik nagy kihívása a műholdas képalkotás javítása, ezeknek a képeknek a helyes értelmezése. Több kutatócsoport e felvételekre támaszkodva követi a klímaváltozás hatásait, jelez előre vulkánkitöréseket, vagy figyeli Kína covid utáni gazdasági felépülését. A műholdas képek hírszerző…

Indiai és brazil kutatók az emberi agy különböző részei közötti kapcsolatokat tanulmányozó algoritmust fejlesztettek. Rendeltetése, hogy jobban megismerjük az agy huzalozását. Diffúziós mágneses rezonanciás képalkotással (dMRI) generált nagymennyiségű adat elemzésében segít. Kb. 150-szer gyorsabb,…

A mélytanulás (deep learning) többféle neurális-alapú képgenerátort kínál: generatív ellenséges hálózatokat (GAN), diffúziós modelleket, önkódoló rendszereket stb. Mindegyiknek vannak előnyei és hátrányai, együtt viszont csábító lehetőségeket kínálnak adatszintézishez, vizuális műalkotáshoz. A…

A médiában nagyon terjednek a legkorszerűbb mesterségesintelligencia-megoldások: ideghálókat alkalmaznak a videógyártásban, a Synthesia szkript alapján (a vállalati ügyfeleket megcélozva), személyre szabott videókat készít, amelyeket generatív ellenséges hálók renderelnek. Kész videóanyagokon a…

Az OpenAI DALL.E rendszere szöveges leírásokból készít képeket. Legújabb frissítése sokat javított rajta, lényegében az alapoktól kezdve újraírták az egészet. A leírások megjelenítéséhez a korábbi CLIP képosztályozót, képgeneráláshoz egy nemrég ismertetett módszert használnak. A GLIDE modell a…

Az elmúlt évek látványos mesterségesintelligencia-eredményei a gépi tanuláson (machine learning) alapultak. A fejlődés azonban nem problémamentes, mert minél jobb eredményt ért el egy program, annál több adaton tanítják. Minél nagyobb az adatsor, annál komplexebb és drágább a rendszer, de ami talán…