“客服來電”有詐?抖音客服上線“驗(yàn)證助手”助用戶識別詐騙OpenAI新模型GPT-5研發(fā)未達(dá)預(yù)期:成本高昂 效果不佳曝天馬打入果鏈:為蘋果HomePod供應(yīng)LCD屏 每塊屏僅10美元曝OPPO或首發(fā)新款天璣次旗艦芯片 兩大子品牌Q2發(fā)力諾基亞攜手阿聯(lián)酋運(yùn)營商e&,展示全球首個(gè)固網(wǎng)游戲端到端網(wǎng)絡(luò)切片方案零下25℃制熱26℃!海爾水暖通黑科技亮相冰雪大世界三星沒放棄曲面屏開發(fā)!最新專利曝光暗示有望回歸三大運(yùn)營商11月成績單:用戶數(shù)據(jù)增幅放緩打造下一個(gè)英偉達(dá),孫正義的2026芯片計(jì)劃曝光瞭望2025全球6G技術(shù)發(fā)展趨勢AI時(shí)代云安全新范式,暢捷通智能守護(hù)小微企業(yè)安全上云百川智能發(fā)布全鏈路領(lǐng)域增強(qiáng)金融大模型 Baichuan4-Finance年末家電消費(fèi)觀察:品質(zhì)生活類產(chǎn)品熱賣,將持續(xù)迎來剛需式普及?GPT-5研發(fā)受阻:OpenAI 新一代模型難見突破性進(jìn)展新一代語言模型ModernBERT發(fā)布,RAG等任務(wù)處理速度快四倍、成本低新研究顯示:Anthropic 的 Claude AI 在合作能力上領(lǐng)先于 OpenAI 和谷歌模型谷歌向投資者保證人工智能本月將迎來“驚人”表現(xiàn)多模態(tài)大模型引爆應(yīng)用場景 階躍星辰完成數(shù)億美元融資星動(dòng)紀(jì)元發(fā)布端到端原生機(jī)器人大模型ERA-42 實(shí)現(xiàn)機(jī)器人復(fù)雜場景操作免費(fèi)模式強(qiáng)攻下,快手、抖音用“短劇VIP”反擊?
  • 首頁 > 云計(jì)算頻道 > 大模型

    可在圖像中生成任意精準(zhǔn)文本,支持中文!阿里開源AnyText

    2024年01月08日 10:57:08   來源:AIGC 開放社區(qū)

      隨著Midjourney、Stable Difusion等產(chǎn)品的出現(xiàn),文生圖像領(lǐng)域獲得了巨大突破。但是想在圖像中生成/嵌入精準(zhǔn)的文本卻比較困難。

      經(jīng)常會(huì)出現(xiàn)模糊、莫名其妙或錯(cuò)誤的文本,尤其是對中文支持非常差,例如,生成一張印有“2024龍年吉祥”的春聯(lián)圖像,就連著名的文生圖模型都很難精準(zhǔn)生成。

      為了解決這些難題阿里巴巴集團(tuán)的研究人員開源了,多語言視覺文字生成與編輯模型——AnyText。

      根據(jù)「AIGC開放社區(qū)」的實(shí)際使用體驗(yàn),AnyText對生成文字的把控可媲美專業(yè)PS,用戶可自定義規(guī)劃文字出現(xiàn)的位置,圖片的強(qiáng)度、力度、種子數(shù)等,目前在Github超2,400顆星非常受歡迎。

      由AnyText生成,完美理解中文提示詞,同時(shí)可自定義文字出現(xiàn)的位置

      值得一提的是,AnyText能以插件形式與其他開源擴(kuò)散模型無縫集成,可全面強(qiáng)化其圖像嵌入精準(zhǔn)文本的能力。

      AnyText支持中文、日文、韓文、英語等多種語言,可幫助電商、廣告平面設(shè)計(jì)、電影制作、動(dòng)畫設(shè)計(jì)師、插畫師、網(wǎng)頁設(shè)計(jì)、UI設(shè)計(jì)師、數(shù)字營銷等領(lǐng)域的人員,提供高精準(zhǔn)、自定義的文生圖像服務(wù)。

      AnyText技術(shù)架構(gòu)

      目前,開源的擴(kuò)散模型在生成的圖像中嵌入精準(zhǔn)文本表現(xiàn)不佳,主要有3個(gè)原因:

      1)缺乏包含全面文本內(nèi)容注釋的大規(guī)模圖像和文本配對數(shù)據(jù)集。現(xiàn)有的大規(guī)模圖像擴(kuò)散模型的訓(xùn)練數(shù)據(jù)集,如LAION-5B,缺乏手動(dòng)注釋或文本內(nèi)容的OCR結(jié)果。

      2)許多開源擴(kuò)散模型使用的文本編碼器,如CLIP文本編碼器,采用基于詞匯的分詞器,無法直接訪問字符級別的信息,導(dǎo)致對個(gè)別字符的敏感性降低。

      3)大多數(shù)擴(kuò)散模型的損失函數(shù)旨在提高整體圖像生成質(zhì)量,缺乏對文本區(qū)域的專門監(jiān)督和優(yōu)化。

      針對上述難題,阿里的研究人員開發(fā)了AnyText模型和AnyWord-3M數(shù)據(jù)集。AnyText采用了文本控制的擴(kuò)散流程,包括兩個(gè)重要模塊:輔助潛變量和文本嵌入。

      輔助潛變量模塊用于生成或編輯文本的潛在特征,作用是接受文本字形、位置和遮罩圖像等輸入,生成用于文本生成或編輯的潛在特征。

      這些潛在特征在生成或編輯文本時(shí)起到輔助作用,幫助確保文本的準(zhǔn)確性和一致性。

      輔助潛變量使得AnyText能夠在圖像中,生成或編輯曲線或不規(guī)則區(qū)域的文本。這也就是說,即便想生成彎曲、不規(guī)則的字體也沒問題!

      文本嵌入模塊利用OCR模型將筆畫數(shù)據(jù)編碼為嵌入向量,并與標(biāo)記器生成的圖像標(biāo)題嵌入向量進(jìn)行融合,從而生成與背景無縫融合的文本。

      為了提高書寫準(zhǔn)確性,研究團(tuán)隊(duì)采用了文本控制的擴(kuò)散損失和文本感知損失進(jìn)行訓(xùn)練。

      提升圖像嵌入文本精準(zhǔn)度

      為了進(jìn)一步提高生成文本的準(zhǔn)確性,AnyText采用了文本控制擴(kuò)散損失和文本感知損失進(jìn)行訓(xùn)練。

      文本控制擴(kuò)散損失,用于控制生成的文本在指定位置和樣式上的準(zhǔn)確性。它通過比較生成文本與目標(biāo)文本之間的差異,促使模型生成更準(zhǔn)確、一致的文本。

      文本感知損失,作用是進(jìn)一步增強(qiáng)生成文本的準(zhǔn)確性。它通過比較生成文本的特征表示與真實(shí)圖像中相應(yīng)區(qū)域的特征表示之間的差異,來衡量生成文本在視覺上的準(zhǔn)確性。

      AnyWord-3M數(shù)據(jù)集

      這個(gè)數(shù)據(jù)集是提升AnyText文本能力的重要部分,一共包含了300萬個(gè)圖像-文本對,并提供了多種語言的OCR(光學(xué)字符識別)注釋。

      AnyWord-3M中出現(xiàn)的文本行超過900萬行,字符和詞匯數(shù)總量超過2億。文本涵蓋中文、英文、日文、韓文等語言。這是目前公開的規(guī)模最大,也是第一個(gè)專門用于文本生成任務(wù)的多語種數(shù)據(jù)集。

      主要包含的數(shù)據(jù)集:悟空數(shù)據(jù)集的中文部分,這是哩哩哩實(shí)驗(yàn)室構(gòu)建的數(shù)億級中文跨模態(tài)數(shù)據(jù)集。AnyWord-3M從中篩選出約154萬張圖像。

      LAION數(shù)據(jù)集的英文部分,由斯坦福大學(xué)等構(gòu)建的大規(guī)模英文圖像文字匹配數(shù)據(jù)集, AnyWord-3M選擇了其中約140萬張圖像。

      多個(gè)OCR識別數(shù)據(jù)集,包括文字定位和識別領(lǐng)域的標(biāo)準(zhǔn)數(shù)據(jù)集ArT、COCO-Text、RCTW等,提供了約10萬張帶標(biāo)注的文本圖像。

      在獲取這些源數(shù)據(jù)之后,AnyText研究人員還設(shè)計(jì)了嚴(yán)格的過濾規(guī)則,對圖像和文本行進(jìn)行過濾,確保訓(xùn)練數(shù)據(jù)的質(zhì)量。

      文本行過濾的規(guī)則非常細(xì)致,例如,文本行高最小30像素、文本識別置信度超過0.7等。

      所以,AnyWord-3M吸取了多個(gè)數(shù)據(jù)集的精華中的精華,也是AnyText能力非常強(qiáng)悍的重要原因之一。

      文章內(nèi)容僅供閱讀,不構(gòu)成投資建議,請謹(jǐn)慎對待。投資者據(jù)此操作,風(fēng)險(xiǎn)自擔(dān)。

    即時(shí)

    新聞

    明火炊具市場:三季度健康屬性貫穿全類目

    奧維云網(wǎng)(AVC)推總數(shù)據(jù)顯示,2024年1-9月明火炊具線上零售額94.2億元,同比增加3.1%,其中抖音渠道表現(xiàn)優(yōu)異,同比有14%的漲幅,傳統(tǒng)電商略有下滑,同比降低2.3%。

    企業(yè)IT

    重慶創(chuàng)新公積金應(yīng)用,“區(qū)塊鏈+政務(wù)服務(wù)”顯成效

    “以前都要去窗口辦,一套流程下來都要半個(gè)月了,現(xiàn)在方便多了!”打開“重慶公積金”微信小程序,按照提示流程提交相關(guān)材料,僅幾秒鐘,重慶市民曾某的賬戶就打進(jìn)了21600元。

    3C消費(fèi)

    華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,高能實(shí)力,創(chuàng)

    華碩ProArt創(chuàng)藝27 Pro PA279CRV顯示器,憑借其優(yōu)秀的性能配置和精準(zhǔn)的色彩呈現(xiàn)能力,為您的創(chuàng)作工作帶來實(shí)質(zhì)性的幫助,雙十一期間低至2799元,性價(jià)比很高,簡直是創(chuàng)作者們的首選。

    研究

    中國信通院羅松:深度解讀《工業(yè)互聯(lián)網(wǎng)標(biāo)識解析體系

    9月14日,2024全球工業(yè)互聯(lián)網(wǎng)大會(huì)——工業(yè)互聯(lián)網(wǎng)標(biāo)識解析專題論壇在沈陽成功舉辦。