Google Imagen 4 — นวัตกรรมการสร้างรูปภาพ AI แห่งอนาคต

Google Imagen 4 คือรุ่นล่าสุดในตระกูลโมเดล Diffusion สำหรับการสร้างภาพจากข้อความของ Google ซึ่งเป็นผลพวงจากการวิจัยหลายปีของ Google DeepMind ในด้านการสังเคราะห์ภาพเสมือนจริง โมเดลนี้สร้างขึ้นบนสถาปัตยกรรม Cascaded Diffusion ที่เป็นเอกสิทธิ์เฉพาะของ Google ซึ่งสร้างภาพผ่านกระบวนการหลายขั้นตอน เริ่มจากโมเดลฐานสร้างองค์ประกอบและโครงสร้างโดยรวม ตามด้วยโมดูล Super-resolution ที่ค่อยๆ เพิ่มรายละเอียดที่ประณีต วิธีการนี้ช่วยให้ Imagen 4 ผลิตผลงานที่มีความสอดคล้องกันอย่างดีเยี่ยมทั้งในระดับมหภาคและจุลภาค ฉากต่างๆ ถูกจัดวางอย่างดี และองค์ประกอบแต่ละส่วนมีพื้นผิวและแสงที่สมจริง

จุดเด่นที่สำคัญของ Imagen 4 คือระบบควบคุมอัตราส่วนภาพที่แม่นยำ ต่างจากโมเดลอื่นที่สร้างภาพที่ความละเอียดคงที่แล้วใช้วิธีการครอปภาพ Imagen 4 จะสร้างภาพตามอัตราส่วนที่ระบุตั้งแต่ต้น เพื่อให้มั่นใจว่าการจัดองค์ประกอบ การวางตำแหน่งตัวแบบ และความสมดุลทางสายตาจะถูกปรับให้เหมาะสมกับขนาดเป้าหมายโดยตรง สิ่งนี้มีค่าอย่างยิ่งสำหรับกระบวนการทำงานแบบมืออาชีพที่คอนเทนต์ต้องพอดีกับข้อกำหนดของแพลตฟอร์มเฉพาะ ตั้งแต่โพสต์ Instagram รูปทรงจัตุรัส ไปจนถึงแบนเนอร์โฆษณาแบบกว้างพิเศษ หรือการแสดงผลแนวตั้งบนมือถือ โมเดลรองรับอัตราส่วนมาตรฐานรวมถึง 1:1, 4:5, 5:4, 9:16, 16:9 และขนาดที่กำหนดเอง

Imagen 4 ใช้ตัวเข้ารหัสข้อความ T5-XXL ของ Google เพื่อความเข้าใจคำสั่ง (Prompt) ที่ยอดเยี่ยม ทำให้สามารถวิเคราะห์รายละเอียดที่ซับซ้อนและแปลออกมาเป็นผลลัพธ์ทางสายตาที่แม่นยำ โมเดลแสดงประสิทธิภาพที่แข็งแกร่งในจุดที่คู่แข่งมักมีปัญหา เช่น การวาดมือและนิ้วที่ถูกต้อง ลักษณะใบหน้าที่สม่ำเสมอ ความสัมพันธ์เชิงพื้นที่ที่เหมาะสมระหว่างวัตถุ และคุณสมบัติของวัสดุที่สมจริง เช่น การสะท้อนของแก้ว การทิ้งตัวของผ้า และพื้นผิวโลหะ นอกจากนี้ยังได้รับการปรับปรุงด้านความเร็ว โดยมักจะเสร็จสิ้นภายในไม่กี่วินาที ทำให้ใช้งานได้จริงสำหรับกระบวนการทำงานที่ต้องการการทดลองซ้ำด้วยคำสั่งและองค์ประกอบที่แตกต่างกันอย่างรวดเร็ว