Apple nie je jedným z popredných hráčov na trhu s umelou inteligenciou, ale nový model umelej inteligencie s otvoreným zdrojovým kódom na úpravu obrázkov tohto technologického giganta ukazuje, ako veľmi by spoločnosť mohla prispieť k tejto oblasti.
Model s názvom MLLM-Guided Image Editing (MGIE) využíva multimodálne veľké jazykové modely (MLLM) na interpretáciu textových príkazov pri spracovaní obrazu. Inými slovami, s týmto nástrojom má používateľ možnosť upravovať fotografie na základe textu, ktorý zadá. Hoci to nie je prvý nástroj, ktorý to dokáže, „ľudské inštrukcie sú niekedy príliš krátke na to, aby ich zachytili a vykonali moderné metódy,“ píše sa v dokumente projektu.
Spoločnosť vyvinula MGIE spolu s výskumníkmi z Kalifornskej univerzity. MLLM sú schopné premeniť jednoduché alebo nejednoznačné textové výzvy na podrobnejšie a zrozumiteľnejšie pokyny, podľa ktorých môže editor fotografií postupovať. Napríklad, ak chce používateľ upraviť fotografiu feferónovej pizze, aby bola „zdravšia“, MLLM to môže interpretovať ako „pridať zeleninové polevy“ a podľa toho fotografiu upraviť.
Okrem základných zmien obrázkov dokáže MGIE fotografie aj orezávať, meniť ich veľkosť a otáčať, ako aj vylepšovať ich jas, kontrast a vyváženie farieb, a to všetko pomocou textových pokynov. Pomocou nástroja môžete tiež upraviť určité oblasti fotografie a napríklad zmeniť vlasy, oči a oblečenie osoby na nej alebo odstrániť prvky na pozadí.
Apple prepustil model cez GitHub, no záujemcovia si môžu vyskúšať aj demo verziu, ktorá momentálne hosťuje na Hugging Face Spaces. Spoločnosť zatiaľ nepovedala, či plánuje použiť to, čo sa z projektu naučila, ako nástroj alebo funkciu, ktorú by mohla zahrnúť do niektorého zo svojich produktov.
Prečítajte si tiež: