Datawhale AI夏令营第四期魔搭-AIGC文生图方向Task02笔记

小白记录Datawhale AI夏令营第四期魔搭-AIGC文生图方向Task02的学习

背景知识

AIGC(AI-Generated Content)是通过人工智能技术自动生成内容的生产方式，很早就有专家指出，AIGC将是未来人工智能的重点方向，也将改造相关行业和领域生产内容的方式。

AI生图则是其中最早被我们大众所熟知并广泛尝试的AIGC领域。

对所有人来说，定期关注AI生图的最新能力情况都十分重要：

对于普通人来说，可以避免被常见的AI生图场景欺骗，偶尔也可以通过相关工具绘图，轻松省力的完成一些简单的初步创作。

对于创作者来说，通过AI生图的工具可以提效，快速制作自己所需要的内容；也可以从中相互学习，通过AI发现自己的弱点以及想办法修复AI目前薄弱的一些问题，最典型的就是AI画的手。

对于技术人来说，了解AI生图的能力的玩法，可以更好地针对自己的业务进行开发和使用，甚至攻克难题开发更实用的工具。

从工具视角回顾一下AI生图的历史

最早的AI生图可追溯到20世纪70年代，当时由艺术家哈罗德·科恩（Harold Cohen）发明AARON，可通过机械臂输出作画。

现代的AI生图模型大多基于深度神经网络基础上训练，最早可追溯到2012年吴恩达训练出的能生成“猫脸”的模型。

它使用卷积神经网络（CNN）训练，证明了深度学习模型能够学习到图像的复杂特征。

2015年，谷歌推出了“深梦”（Deep Dream）图像生成工具，类似一个高级滤镜，可以基于给定的图片生成梦幻版图片——

2021 年 1 月 OpenAI 推出DALL-E模型（一个深度学习算法模型，是GPT-3 语言处理模型的一个衍生版本），能直接从文本提示“按需创造”风格多样的图形设计——

在当时，就已经被一些媒体评价为：“ 秒杀50%的设计行业打工人应该是没有问题的，而且是质量和速度双重意义上的“秒杀” ”。

一般来说，AI生图模型属于多模态机器学习模型，通过海量的图库和文本描述的深度神经网络学习，最终的目标是可以根据输入的指示(不管是文本还是图片还是任何)生成符合语义的图片。

AI生图的难点和挑战

如上文所说，AI绘图最广为人知，也最令人头疼的问题就是——它总是画不好“手”。

由于每个模型用于训练的数据是有限的且不一定相同的，它们能匹配的描述和特征也是有限的，所以在风格、具体事物上，不同的模型会有很大的生成差异，且可能存在诸多与现实不符的情况。

而这些问题，就是业界和科研界持续在想办法解决的问题。

在大部分生图场景下，我们可能经常会觉得图片存在“AI味”，这很长一段时间也是科研界和相关从业人员非常头大的问题。

*AI味：AI生成的图片和实际生活场景/艺术家创作的绘画/摄影/三维作品 相比，存在强烈的违和感，或是细节处理，或是画面逻辑性存在问题，一言就能被看出是“AI出品”

目前大部分的模型，已经具备了去除 “AI味” 的能力，且可能存在容易误导他人的情况，这时候我们想辨别可能需要非常仔细地——

• 观察图片的细节。仔细检查人物的面部特征，尤其是眼睛和嘴巴

• 检查光线和阴影。分析图片中的光源是否一致，阴影的方向是否与光源相符，是否存在不自然的光线或阴影

• 分析像素。放大图片，寻找是否有模糊或像素化的部分。

• 注意背景。检查背景中是否有不协调的元素，比如物体边缘是否平滑，背景中是否有不自然的重复模式。

而这些细节上的AI特性，也许就是我们在某些特定场景下需要解决的挑战。

通过AI解读代码

小白入门，代码很大一部分都是难以理解的。

这里，就强烈推荐阿里云品牌下的AI——通义千问！！

从今年1月左右就开始使用，跟之前使用的poe不相上下（不过毕竟都是用chatGPT的API）。在内地可以使用，也是完全免费。

不管是在写代码方面，解读代码方面，还是回答一些其他问题方面，他都可以拥有出色的能力，关键在于你会不会使用。关于如何使用，网络上教程也已经很多了，博主在这也就不过多赘述了，直接上图让大家感受下通义千问对代码小白的友好。

在任何解析结果页后面继续追问，通义将会给我们更加细致的问题解释，大家可以举一反三，多操作一下。

最后，博主希望大家养成使用AI的习惯，擅用AI，帮你的工作和学习事半功倍。