A Comparative Study of Text-to-Image Generative Models
Notice bibliographique
Résumé
Recent advancements of deep learning (DL) techniques have revolutionized various fields such as computer vision, image processing, artificial intelligence, and natural language processing. One notable application that showcases the power of these algorithms is the field of image synthesis, where new images are created from textual descriptions. Generative models play a crucial role in this process, enabling the generation of novel data based on patterns learned from the training set. Diffusion models are a distinctive class of generative models that operate by introducing random noise to existing data, and subsequently learning to reverse this diffusion process. This technique is particularly valuable in scenarios where the transformation of data over time or through sequential steps is a critical aspect of the generation process. The ability to translate textual descriptions into visual representations offers new possibilities for human-computer interaction and creative expressions. This paper provides a comparison and analysis of generative adversarial networks (GANs) and diffusion models within the domain of “text-to-image generation” to understand the strength and weaknesses of different models in specific contexts. For this purpose, we are using a combination of Vector-Quantized GAN (VQGAN) and Contrastive Language-Image Pre-training (CLIP) model. This combination provides a powerful integration of two distinct machine learning (ML) techniques for the purpose of creating images from textual input. Guided Language to Image Diffusion for Generation and Editing (GLIDE) is the diffusion model used in this study. For both models, text input from the MS-COCO data set is used. Evaluation of generated images is performed using Fréchet Inception Distance (FID) and Inception Score (IS) metrics. Semantic object accuracy score (SOA) is also used as a metric to add an additional layer for analysis by considering the relevance of the generated images to the provided captions during the image generation process. This metric is helpful not only to assessing visual quality of the generated images but also their alignment with the intended semantic content.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».