- एआई-उत्पन्न भिडियोहरू प्रायः समयको कारणले गर्दा समस्याको कारणले हराउँछ। drift
- अपूर्ण वास्तविक संसार इनपुट ह्यान्डल गर्दा पूर्ण डेटा संघर्षमा प्रशिक्षित मोडेलहरू
- EPFL अनुसन्धानकर्ताहरूले प्रगतिशील गिरावट सीमित गर्न त्रुटि पुन: प्रशोधन द्वारा पुन: प्रशिक्षण विकास गरे
एआई-उत्पन्न भिडियोहरू प्रायः क्रमहरू लामो हुँदै जाँदा सुसंगतता गुमाउँछन्, यो समस्यालाई ड्रिफ्ट भनिन्छ।
प्रत्येक नयाँ फ्रेम अघिल्लोको आधारमा उत्पन्न भएकोले यो समस्या उत्पन्न हुन्छ, त्यसैले कुनै पनि सानो फेसलाइट त्रुटि, जस्तै फेसलाइट, त्रुटि। समयसँगै विस्तारित।
id=”6e73c24b-1133-4598-9983-ac4130f7d51d-2″>
. id=”cd2c02fb-d1e2-4575-bef2-e58e65bd58c0″>विस्तारित अवधिका लागि तार्किक निरन्तरता कायम राख्ने भिडियोहरू उत्पादन गर्नु क्षेत्रमा प्रमुख चुनौती बनेको छ।
अब, EPFL को भिजुअल इन्टेलिजेन्सका अनुसन्धानकर्ताहरूले यातायातका लागि प्रयोगशाला (intraVI) विधिको परिचय दिएका छन्। रिसाइकल।
त्रुटिहरूबाट बच्न प्रयास गर्ने परम्परागत तरिकाहरू विपरीत, यो विधिले जानाजानी एआईका आफ्नै गल्तीहरूलाई प्रशिक्षण प्रक्रियामा फिड गर्छ।
त्यसो गरेर, मोडेलले छविहरूको प्रगतिशील गिरावटलाई सीमित गर्दै भविष्यका फ्रेमहरूमा त्रुटिहरू सच्याउन सिक्छ।
प्रक्रियामा भिडियो उत्पन्न गर्ने, उत्पादित फ्रेमहरू र अभिप्रेत फ्रेमहरू बीचको भिन्नताहरू पहिचान गर्ने, र भविष्यमा भिडियोहरू आउटपुट गर्नका लागि AI लाई पुन: प्रशिक्षित गर्ने समावेश छ। आकार, रङ, र गति तर्क बिग्रनु अघि ३० सेकेन्डभन्दा कम समयसम्म यथार्थवादी रहने क्रमहरू उत्पादन गर्दछ।
त्रुटि पुन: प्रयोगलाई एकीकृत गरेर, EPFL टोलीले भिडियोहरू उत्पादन गरेको छ जसले लामो अवधिमा बहावलाई प्रतिरोध गर्छ, सम्भावित रूपमा generative video मा कडा समय अवरोधहरू हटाउँदै। data-component-name=”Recirculation:ArticleRiver” data-recirculation-type=”inline” data-mrf-recirculation=”Trending Bar” data-nosnippet=”” class=”clear-both pt-3 pb-4 mb-4 border-solid border-y border-neutral-300″>
तपाईलाई मन पर्न सक्छ
यो उन्नतिले AI प्रणालीहरूलाई सिमुलेशन, एनिमेसन, वा स्वचालित भिजुअल स्टोरीटेलिङ जस्ता अनुप्रयोगहरूमा थप स्थिर अनुक्रमहरू सिर्जना गर्न अनुमति दिन्छ।
यद्यपि यो दृष्टिकोणले बहावलाई सम्बोधन गर्छ, यसले सबै प्राविधिक सीमितताहरूलाई हटाउँदैन।
पुनर्प्रशिक्षण त्रुटिहरूबाट पुन: प्रशिक्षण दिनाले निरन्तर मागलाई रोक्न र कम्प्युटिङको आवश्यकता बढ्दै जान्छ। गल्तीहरू।
ठूलो मात्रामा परिनियोजनले स्रोत र दक्षता बाधाहरूको सामना गर्न सक्छ, साथै विभिन्न भिडियो सामग्रीहरूमा स्थिरता कायम राख्न आवश्यक पर्दछ।
एआईलाई खुवाउने आफ्नै त्रुटिहरू साँच्चै राम्रो विचार हो कि छैन अनिश्चित रहन्छ, किनकि विधिले अप्रत्याशित पूर्वाग्रहहरू प्रस्तुत गर्न सक्छ वा विकासमा सामान्यीकरण कम गर्न सक्छ। AI ले आफ्नै त्रुटिहरूबाट सिक्न सक्छ, सम्भावित रूपमा भिडियो उत्पादनको समय सीमा विस्तार गर्दै।
यद्यपि, यो विधिले बाहिर नियन्त्रित परीक्षण वा रचनात्मक अनुप्रयोगहरूमा कसरी प्रदर्शन गर्छ भन्ने स्पष्ट छैन, जसले बहाव समस्यालाई पूर्ण रूपमा समाधान गर्न सक्छ भनेर मान्नु अघि सावधानी अपनाउन सुझाव दिन्छ।
Google समाचारमा TechRadar फलो गर्नुहोस् र हामीलाई प्राथमिकताको रूपमा थप्नुहोस् //em>प्राथमिकता स्रोतको रूपमा थप्नुहोस् समीक्षाहरू, र तपाईंको फिडहरूमा राय। फलो बटनमा क्लिक गर्न निश्चित हुनुहोस्!
र पक्कै पनि तपाईं TikTok मा TechRadar फलो गर्नुहोस् समाचार, समीक्षा, भिडियो फारममा अनबक्सिङका लागि र हामीबाट नियमित अपडेटहरू प्राप्त गर्नुहोस् WhatsApp पनि।