Google Gemini رندر هوش مصنوعی را با Imagen 3 برمی گرداند – چگونه آن را اکنون امتحان کنید

پروین میرمیران10 اکتبر 2024آخرین به روز رسانی: 10 اکتبر 2024

0 2,655 خواندن این مطلب 2 دقیقه زمان میبرد

همه کاربران Google Gemini می‌توانند با استفاده از آخرین حالت تصویر هوش مصنوعی گوگل، Imagen 3، تصاویر ایجاد کنند. این شامل کسانی می شود که از آن در وب، در برنامه یا ادغام شده با Android استفاده می کنند. قبلاً فقط برای مشترکین Gemini Advanced با استفاده از نسخه وب هوش مصنوعی در دسترس بود.

Imagen 3 توسط گوگل در جریان رویداد I/O خود در اوایل سال جاری معرفی شد. که توسط آزمایشگاه تحقیقاتی DeepMind این شرکت ایجاد شده است، می تواند تصاویری با فرمت مربع با سطحی از واقع گرایی مشابه تصاویر Midjourney یا Flux ایجاد کند.

برخی از محدودیت ها، به خصوص برای کاربران رایگان Gemini وجود دارد. در حال حاضر نمی‌توانید از آن برای ایجاد تصاویر افراد استفاده کنید، مگر اینکه 19 دلار در ماه برای Gemini Advanced بپردازید، و حتی در آن زمان نیز نمی‌تواند تصاویری از افراد واقعی ایجاد کند.

قدرت واقعی Gemini از نظر رندر ناشی از توانایی آن در تطبیق آسان یا حتی جایگزینی کامل یک تصویر از توضیحات متنی ساده است. ممکن است لازم باشد برنامه را به روز کنید تا قابلیت ایجاد تصویر داشته باشید.

چه چیزی در Imagen 3 جدید است؟

(اعتبار تصویر: ImageFX Imagen 3/AI)

Imagen 3 یک ارتقاء بصری از Imagen 2 قبلی است. تصاویر غنی تر و دقیق تر هستند و مدل بهتر از دستورالعمل های ارائه شده توسط Gemini پیروی می کند.

گوگل به دلیل نگرانی از اینکه هنگام پردازش تصاویر افراد بیش از حد محتاط بوده است، به طور موقت ویژگی های ارائه تصویر Gemini را حذف کرد. مدل قبلی همچنین تمایل داشت که همه چیز را پلاستیکی جلوه دهد.

مدل جدید قابلیت‌های رندر گوگل را با DALL-E 3 OpenAI مطابقت می‌دهد، اما همچنان فقط تصاویر مربعی تولید می‌کند. از طرف دیگر، ChatGPT می تواند از DALL-E 3 برای ایجاد تصاویر در هر جهت و اندازه ای استفاده کند. در آزمایش‌هایم متوجه شدم که رندر کردن یک تصویر بیشتر از آنچه می‌خواستم رد می‌شود، به‌ویژه اگر چیزی پیچیده‌تر باشد، مانند نشان دادن فردی که در یک کافه روی یک قمر نشسته است. اما برای تصاویر روزمره عالی است.

ویژگی رندر تصویر به دنبال به‌روزرسانی دیگری است و ارسال تصویر به Gemini را برای تجزیه و تحلیل آسان‌تر می‌کند. این به عنوان AI Vision شناخته می شود و به مدل اجازه می دهد محتوای یک تصویر را شناسایی کند. شناسایی یک شی گم شده در اتاق یا ایجاد دستور العمل از مواد تشکیل دهنده می تواند مفید باشد.