Deneysel yapay zeka aracı DragGAN, görüntüleri basit bir tıklama ve sürükleme iş akışıyla dönüştürmenize olanak tanıyor.
Araştırmacılar, Photoshop’un steroidler üzerindeki Warp aracına benzeyen DragGAN adlı yeni bir araç gibi yavaş yavaş odak noktasına gelen yeni uygulamalar üzerinde çalışıyor. Deneysel yapay zeka DraGAN, düzenlemeyi kolaylaştırıyor.
DragGAN nasıl çalışıyor?
Büyük teknoloji firmaları, en iyi büyük dil modellerini geliştirmek ve bunları kullandığımız her yazılım veya web hizmeti parçasına dönüştürmek için yarışıyor. Çok çeşitli niş kullanım durumları için özel yapay zeka araçları üzerinde çalışan çok sayıda girişim telaşı var.
Bu araçların çoğu, kullanıcının ne bulmak istediğini veya ne tür bir iş başarmaya çalıştığını açıklayan basit istemleri kullanarak yararlı resimler veya metinler oluşturabilir. İşe yaradığında, bu, ChatGPT ve DALL-E gibi hizmetlerin sihir gibi görünmesini sağlıyor. Aslında, bu araçların çoğu, insanlar tarafından yazılan eserler üzerinde “eğitilmiştir” ve çıktılarını anlamlı bir düzeye çıkarmak için insan gözetimi gerektiriyor.
Bununla birlikte, yeni yapay zeka araştırması, özellikle görüntü manipülasyonu alanında hızlı bir şekilde ilerleme kaydedildiğini gösteriyor. Google, MIT, Pensilvanya Üniversitesi ve Almanya’daki Max Planck Enformatik Enstitüsü’nden bir grup bilim insanı, görüntü düzenlemeyi sıradan insanlar için daha kolay ve daha erişilebilir hale getirebilecek deneysel bir aracı detaylandıran bir makale yayınladı.
Yeni araçla nelerin mümkün olduğu hakkında bir fikir edinmek için, belirli bir özelliği tıklayıp sürükleyerek bir kişinin veya nesnenin görünümünü önemli ölçüde değiştirebilirsiniz. Ayrıca, birinin yüzündeki ifadeyi değiştirmek, bir mankenin kıyafetlerini değiştirmek veya bir fotoğraftaki özneyi 3B bir modelmiş gibi döndürmek gibi şeyler de yapabilirsiniz.
Araştırmacılar, DragGAN’ın Nvidia’nın GeForce RTX 3090 grafik kartını kullanırken bir görüntünün içeriğini yalnızca birkaç saniye içinde değiştirebileceğini, çünkü uygulamalarının istenen sonuçları elde etmek için birden fazla sinir ağı kullanmasına gerek olmadığını belirtiyor. Bir sonraki adım, 3B modellerin nokta tabanlı düzenlenmesi için benzer bir model geliştirmek olacak. DragGAN hakkında daha fazla bilgi edinmek isteyenler makaleyi buradan okuyabilir. Araştırma ayrıca Ağustos ayında SIGGRAPH’ta sunulacak.
