ویرایش تصویر بر اساس دستورات متنی (Instruction-based Image Editing) یکی از جذابترین حوزههای هوش مصنوعی است که این روزها با کمک مدلهای زبانی (LLM) و چندوجهی (VLM) به سرعت در حال پیشرفت است.
به تازگی یک مقاله جامع و جدید منتشر شده که بهطور دقیق دنیای «IIE» را بررسی کرده است. این پژوهش نه تنها تحول مدلها از روشهای قدیمی GAN به سمت مدلهای دیفیوژن و خودبازگشتی را تحلیل کرده، بلکه با معرفی یک بنچمارک جدید به نام «CDD-IIE»، راهکاری برای ارزیابی دقیقتر این مدلها ارائه داده است. اگر در حوزه پردازش تصویر فعال هستید، مطالعه این بررسی برای درک نقشه راه آینده بسیار مفید خواهد بود. 🚀✨
منبع: arXiv Computer Vision