Nowy sposób edycji i generowania obrazów bez tradycyjnych generatorów AI

Nowe spojrzenie na sposób, w jaki sztuczna inteligencja tworzy i edytuje obrazy

Żyjemy w czasach, w których sztuczna inteligencja potrafi na podstawie kilku słów stworzyć dziwaczną fantazję lub hiperrealistyczne zdjęcie. Cała ta magia opiera się na gigantycznych sieciach neuronowych, które po cichu uczą się na podstawie milionów – a czasem miliardów – zdjęć i opisów tekstowych. Jednak kolejny przełom w sztuce opartej na sztucznej inteligencji może polegać na pewnym triku: a co, gdyby można było tworzyć i przekształcać obrazy za pomocą sztucznej inteligencji, ale bez skomplikowanych mechanizmów tradycyjnego generatora obrazów?

Właśnie ta myśl zainspirowała grupę naukowców z MIT i Facebook AI Research. Ich najnowszy artykuł, zaprezentowany podczas Międzynarodowej Konferencji Uczenia Maszynowego (ICML) w 2025 roku, pokazuje, w jaki sposób zaskakująco prosta technika może radykalnie usprawnić sposób, w jaki sztuczna inteligencja tworzy i edytuje obrazy.

Od projektu klasowego do przełomowego odkrycia

Projekt ten rozpoczął się jako zadanie semestralne Lukasa Lao Beyera, studenta studiów magisterskich na MIT, pod kierunkiem profesora Kaiminga He. To, co zaczęło się skromnie, wkrótce przyciągnęło kolejnych współpracowników — Tianhonga Li, Xinlei Chena i Sertaca Karamana — i nabrało znacznie większego rozmachu.

Inspiracją dla Beyer’a były najnowsze badania przeprowadzone przez Politechnikę w Monachium oraz firmę ByteDance. Zespół ten stworzył “tokenizer 1D” – niezwykły model sztucznej inteligencji, który redukuje obraz o wymiarach 256×256 do zaledwie 32 tokenów, z których każdy stanowi 12-cyfrową wartość binarną. Można to sobie wyobrazić jako niezwykle skondensowany “język” składający się z 4 000 słów, z tą różnicą, że język ten opisuje obrazy zamiast pojęć.

Zafascynowany ilością informacji zawartych w tych tokenach, Beyer zaczął eksperymentować: zamieniając tokeny na obrazie, obserwował, jak obraz się zmieniał — rozdzielczość gwałtownie wzrastała, kolory blakły lub nabierały intensywności, tło stawało się ostre lub rozmyte, a czasami po prostu zmieniał się kierunek, w którym patrzył ptak.

Nie potrzeba generatora: edycja w samym sercu

I tu robi się naprawdę ciekawie: zamiast bezpośrednio przerysowywać piksele, Beyer i jego zespół zaczęli edytować konkretne tokeny, aby uzyskać pożądane zmiany w obrazie. Okazuje się, że tego rodzaju zamiana nie służy wyłącznie do eksperymentowania; oferuje ona również zupełnie nowy sposób generowania obrazów. Łącząc tokenizer 1D z dekoderem, który odtwarza obraz, oraz siecią neuronową o nazwie CLIP (która zapewnia zgodność pracy sztucznej inteligencji z podanym tekstem), zespół mógł “popychać” wiązki tokenów, aż obraz, powiedzmy, czerwonej pandy zaczął przypominać tygrysa – a nawet stworzyć coś zupełnie nowego, zaczynając od losowych tokenów i stopniowo je udoskonalając, aby pasowały do polecenia.

Zaskakujące jest to, jak bardzo pozwala to uniknąć konieczności korzystania z generatorów obrazów starej generacji. Tradycyjne generatory to potężne potwory — ich szkolenie trwa długo, a działanie wymaga ogromnych zasobów energetycznych. Ta bardziej minimalistyczna metoda pozwala uniknąć znacznej części obliczeniowego wysiłku, dzięki czemu zaawansowana sztuka oparta na sztucznej inteligencji może stać się potencjalnie tańsza i bardziej powszechna. Pozwala ona również na wykonywanie takich zabiegów jak uzupełnianie brakujących fragmentów obrazu przy użyciu tej samej konfiguracji tokenizatora i dekodera. Czasami najśmielsze postępy wynikają z ponownego wykorzystania narzędzi w nieoczekiwany sposób.

Eksperci zwracają na to uwagę. Saining Xie z Uniwersytetu Nowojorskiego (NYU) określił wyniki jako “dość zaskakujące”, natomiast Zhuang Liu z Uniwersytetu Princeton zwrócił uwagę na obiecującą możliwość obniżenia kosztów generowania obrazów przez sztuczną inteligencję.

Potencjał tej technologii nie ogranicza się jednak wyłącznie do zdjęć. Sertac Karaman podkreślił, że ta sama koncepcja – kompresja czynności lub wskazówek dojazdu do postaci tokenów – mogłaby przynieść korzyści w takich dziedzinach jak robotyka czy samochody autonomiczne. Beyer zgadza się z tym: “Możliwości związane z tego rodzaju kompresją mogą otworzyć drzwi do niesamowitych rozwiązań” – mówi.

W gruncie rzeczy to nowe podejście pokazuje, co może się wydarzyć, gdy odważy się podważyć stare schematy i w pełni wykorzystać dostępne narzędzia. Dzięki nieszablonowemu myśleniu zespół z MIT nie tylko znalazł skrót — wytyczył też nową drogę dla kreatywności sztucznej inteligencji.

Przeczytaj oryginalny artykuł: https://news.mit.edu/2025/new-way-edit-or-generate-images-0721