Search Results A

『GenAI：より良い結果と低コストでデータを1000倍速く合成する方法』

編集者の注釈：Vincent Granvilleさんは、10月30日から11月2日にかけて開催されるODSC Westのスピーカーですぜひ彼の講演、「GenAI Breakthrough：高速で高品質な表形式データ合成」をチェックしてください！データを合成するという問題には2つの側面がありますまず、結果を評価し比較する方法はどうするのか...

West 2023

「DiffPoseTalk（デフポーズトーク）をご紹介：新しい音声対応3Dアニメーション人工知能フレームワーク」

音声による表現アニメーションは、コンピュータグラフィックスと人工知能の交差点で複雑な問題であり、話し言葉の入力に基づいてリアルな顔のアニメーションとヘッドポーズを生成することを意味します。このドメインにおける課題は、話し言葉と顔の表情の複雑な多対多のマッピングから生じます。個々の人は異なる話し方を持っており、同じ文はトーン、強調、および関連する顔の表情の変化によって表現される様々な方法で述べることができます。さらに、人間の顔の動きは非常に複雑で微妙ですので、話し言葉だけから自然なアニメーションを作成することは困難な課題です。近年、研究者たちによってさまざまな手法が試みられ、音声による表現アニメーションの複雑な課題に取り組まれています。これらの手法は一般的に、音声と顔の表情の複雑なマッピングを学習するための高度なモデルとデータセットに頼っています。重要な進展がなされていますが、人間の表現や話し方の多様性と自然さを捉えるという点では改善の余地がまだあります。この分野で、DiffPoseTalkは先駆的な解決策として浮上しています。専門の研究チームによって開発されたDiffPoseTalkは、音声による表現アニメーションのフィールドを変革するために拡散モデルの優れた能力を活用しています。既存の手法が多様で自然なアニメーションを生成するのに苦労するのに対し、DiffPoseTalkは直接的にこの課題に取り組むために拡散モデルの力を利用しています。 DiffPoseTalkは拡散ベースのアプローチを採用しています。フォワードプロセスでは、顔の表情やヘッドポーズなどの初期データサンプルにガウスノイズを系統的に導入し、注意深く設計された分散スケジュールに従います。このプロセスは、話し言葉中の人間の顔の動きの固有の変動を模倣しています。 DiffPoseTalkの真の魔法は、逆プロセスで展開されます。フォワードプロセスを支配する分布はデータセット全体に依存するため、不可解ですが、DiffPoseTalkは巧妙にノイズ除去ネットワークを用いてこの分布を近似します。このノイズ除去ネットワークは、ノイズの観測に基づいてクリーンなサンプルを予測するために厳密なトレーニングを受け、拡散プロセスを効果的に逆にします。生成プロセスを正確に制御するために、DiffPoseTalkには話し方エンコーダが組み込まれています。このエンコーダは、短いビデオクリップから個人の独特な話し方をキャプチャするために設計されたトランスフォーマーベースのアーキテクチャを持っています。モーションパラメータのシーケンスからスタイル特徴を抽出することで、生成されるアニメーションが話者の独自のスタイルを忠実に再現することを保証します。 DiffPoseTalkの最も注目すべき点の一つは、多様性とスタイルを具現化する豊富なスペクトラムの3D顔のアニメーションとヘッドポーズを生成するという固有の能力です。DiffPoseTalkは、拡散モデルの潜在的な能力を活用して多様な形態の分布を再現することで、様々な顔の表情とヘッドの動きを生成することができます。これにより、人間のコミュニケーションの微妙なニュアンスを包括的に表現することができます。パフォーマンスと評価の観点では、DiffPoseTalkは顕著に際立っています。生成された顔のアニメーションの品質を測定する重要な指標の一つは、各フレームのすべての口の頂点に対する最大L2エラーによるリップシンクです。DiffPoseTalkは常に高度に同期されたアニメーションを提供し、仮想キャラクターの口の動きが話された言葉に合っています。さらに、DiffPoseTalkは個々の話し方を忠実に再現する能力にも優れています。これにより、生成されるアニメーションがオリジナルの話者の表現や言動を忠実に反映し、アニメーションに真正性の一層を加えることができます。さらに、DiffPoseTalkによって生成されるアニメーションは、その本来の自然さが特徴です。顔の動きに滑らかさが漂い、人間の表現の微妙なニュアンスを巧みに捉えています。この固有の自然さは、現実的なアニメーション生成における拡散モデルの有効性をより強調しています。結論として、DiffPoseTalkは、音声による表現アニメーションの画期的な手法として登場し、音声入力を多様なスタイルの顔のアニメーションやヘッドポーズにマッピングするという複雑な課題に取り組んでいます。拡散モデルと専用の話し方スタイルエンコーダを活用することで、DiffPoseTalkは人間のコミュニケーションの数多くの微妙なニュアンスを的確に捉えることができます。AIとコンピュータグラフィックスが進歩する中で、私たちは楽しみにしています。将来的には、仮想のパートナーやキャラクターが人間の表現の微妙さと豊かさを備えて生命を吹き込まれる日が来ることを。

「テキストを科学的なベクトルグラフィックスに変換することはできるのか？このAI論文では、AutomaTikZを紹介し、TikZのパワーを説明しています」

テキストから画像の生成の最新の進歩により、直感的な自然言語記述から詳細なグラフィックの作成が可能になりました。Stable DiffusionやDALL-Eなどのモデルを使用すると、頻繁に人間によって作成された実際の画像や芸術作品に似た結果が得られます。しかし、これらのモデルは科学的な図においては最良のラスター画像を生成しません。科学的な図は複雑な概念の説明や重要な発見の伝達を研究者が支援するために重要です。ラスターグラフィックスは高い幾何学的精度と小さな文字でも読めるテキストが必要ですから、これらの領域で改善する必要があります。その結果、データを幾何学的な形状に分割し、テキストの検索が可能であり、ファイルサイズが小さくなることが多いベクトルグラフィックスが、多くの学術会議で推奨されています。自動ベクトルグラフィックスの作成の分野も拡大していますが、利用可能な手法にはそれぞれ欠点があります。主に拡張性のあるベクトルグラフィックス（SVG）形式の低レベルのパスコンポーネントを生成しますが、正確な幾何学的関係を保持せず、単一のアイコンや書体の文字などの複雑度が低い出力を生成することが多いです。ビーレフェルト大学、ハンブルク大学、マンハイム大学とビーレフェルト大学の研究者たちは、下位レベルのベクトルグラフィックス形式から抽象化を行うビジュアル言語の使用方法を調査し、これらの制限を解決するために高レベルの構造を提供します。言語モデルはこれらの言語を習得し、それらを使用して単純なタスクを達成することができることを示唆しています。しかし、科学的な図をどの程度生成できるかはまだ判明していません。この研究では、その表現力と科学への重視から、GPT-4やClaude 2などの汎用の言語モデルと比較して、この作業でTikZというグラフィックス言語に焦点を当てています。テキストから画像の生成と同様に、言語モデルが画像キャプションに基づいて科学的な図を自動生成し、TikZのニュアンスを捉えることができるかどうかを知りたいと考えています。これにより、生産性が向上し、包括性が促進されます（社会科学者などのプログラミングのような言語に慣れていない学者にも助けとなる）。また、カスタマイズされたTikZの例を生成することで、教育の改善にもつながる可能性があります。TEX Stack Exchangeはこの使用例の一つであり、おおよそ10％の問い合わせがTikZに関するものです。彼らの主な貢献は以下の通りです： (i) AutomaTikZプロジェクトの一環として、約120,000のTikZの図とキャプションのペアを持つDaTikZが開発され、これは最初の大規模なTikZデータセットとなります。 (ii) 大規模言語モデル（LLM）LLaMAがDaTikZに合わせて調整され、そのパフォーマンスが汎用のLLM、特にGPT-4とClaude 2と比較されます。自動と人間による評価により、調整されたLLaMAによって生成される科学的な図は人間によって作成された図により類似していることがわかりました。 (iii) 彼らはLLaMAを拡張したCLiMAに取り組んでおり、これにはマルチモーダルのCLIP埋め込みが含まれています。この改善により、CLiMAはより簡単に入力キャプションを理解することができ、テキストと画像の整合性を高めます。さらに、写真を追加の入力として使用することが可能になり、さらなる速度向上が図れます。 (iv) また、すべてのモデルが独自の結果を提供し、メモリ関連の問題はほとんどありません。LLaMAとCLiMAは、入力キャプションを出力画像へ過度に複製することでテキストと画像の類似性を最大化する退化した解を頻繁に提供する一方、GPT-4とClaude 2はよりシンプルな出力を生成することがよくあります。

私が初めての＃30DayChartChallengeを使ってObservable Plotを学んだ方法

「もしデータの分野にいるなら、学びたいツールのリストが果てしなくあることになじみがあるでしょういつかは学びたい、と思っているものの一つが私にもありますが…」

コード生成のための5つのChatGPTの代替手段：超高速開発へのハイパードライブ

「ChatGPT の代わりにコード生成を強化し、開発を加速させるための 5 つの強力な代替手段を見つけよう最高のツールをいくつか試してみましょう」

「AIの教父、ジェフリー・ヒントン氏が人類の命運に懸念」

最近、AIの教父であるジェフリー・ヒントンが、「60 Minutes」とのインタビューでAIと人類の未来に対する懸念を語りました日曜日のエピソードで、ヒントン氏は、AIが将来人類にもたらす可能性について解説しましたそれにはプラス面とマイナス面の両方が含まれていますジェフリー・ヒントンは...

業界のCEOたちはAIを「最優先の投資対象」として今後の動向を見ている

「予期せぬわけではありませんが、AIが急速に多くの業界で拡大していることから明らかなように、経営者たちは競争力を得るためにそれを利用しようとしていますAxiosの報告によると、新しい調査では、アメリカの経営者の72％以上が生成型AIを「最優先投資」の対象としていると言われています...」

医療現場におけるAIの潜在能力の開放 (Iryō genba no AI no senzai nōryoku no kaihō)

データは医学の実践と看護の提供において基本的な要素ですこれまで、医師や医療制度は利用可能で計算可能なデータの不足により制約を受けていましたが、世界の医療制度がデジタル化の変革を遂げている今、状況は変わりつつあります今日の医療は、患者ケアと科学の交差点に存在するだけでなく、[…] (Please note that patient care and science in the last sentence were left untranslated, as they are common terms used in the field…

Japanese AI規制- 仮定はありませんか？それとも何もしない？

バイアスは、任意のモデルに関して規制の対象となる考慮事項の一つです生成AIは、この考えを再び主流に押し上げました私の経験では、これについては…

AIにおけるエキスパートの混合（MoE）モデル：Python PyTorchコーディングの簡単なチュートリアル

人工知能（AI）の分野において、エキスパートの混合（MoE）の概念は協力的な知性の象徴であり、「全体は部分の合計よりも大きい」という言葉を具現化しています MoEは…

Learn more about Search Results A - Page 158