تا به حال دقت کردهاید که انسانها چطور تصاویر را با هم مقایسه میکنند؟ گاهی دو تصویر از نظر «شکل» شبیه هم هستند و گاهی از نظر «رنگ». تا امروز، اکثر مدلهای هوش مصنوعی این تفاوتها را نادیده میگرفتند و فقط یک امتیاز کلی به شباهت میدادند.
محققان در مطالعه جدید خود، ابزار نوآورانه TPIPS را معرفی کردهاند که به مدلهای بینایی-زبانی (VLM) کمک میکند تا بر اساس دستورات متنی شما، جنبههای خاصی از شباهتهای بصری را درک کنند. این دستاورد بزرگ نه تنها باعث میشود هوش مصنوعی دنیا را بیشتر شبیه به انسان ببیند، بلکه در جستجوی تصویری پیشرفته و ارزیابی مدلهای تولیدکننده تصویر هم تحول بزرگی ایجاد میکند.
اگر در حوزه بینایی ماشین فعال هستید، پیشنهاد میکنیم حتماً این پروژه جدید را بررسی کنید:
🔗 لینک به پروژه و کدهای TPIPS
منبع: arXiv Machine Learning