جمینای گوگل مشکل عدم ثبات چهره در تصاویر هوش مصنوعی را حل می‌کند

چالش دیرینه عدم ثبات چهره در هوش مصنوعی

تا پیش از این، یکی از بزرگترین دردسرهای استفاده از ابزارهای تولید تصویر هوش مصنوعی، ناتوانی در حفظ یکپارچگی و ثبات چهره یک شخصیت در عکس‌های متعدد بود. به عنوان مثال، اگر تصویری پرتره از فردی با کیفیت بالا تولید می‌شد و سپس همان فرد در محیطی متفاوت مانند ساحل قرار می‌گرفت، جزئیات چهره‌اش، از جمله بینی یا دندان‌ها، به طور غیرمنتظره‌ای تغییر می‌کردند. حتی ابزارهای قدرتمندی مانند ChatGPT با DALL-E 3 نیز با وجود توانایی بالا در خلق تصاویر تک، در این زمینه ضعف‌های قابل توجهی داشتند.

راهکار گوگل: مدل «نانو بنانا» از دیپ‌مایند

گوگل اکنون مستقیماً به سراغ این مشکل رفته است. در به‌روزرسانی جدید اپلیکیشن Gemini، یک مدل پیشرفته از تیم DeepMind با نام «نانو بنانا» (nano banana) معرفی شده است. تمرکز اصلی این مدل بر حفظ شباهت و ویژگی‌های اصلی شخصیت‌ها در تصاویر تولیدشده است.

این قابلیت جدید به کاربران اجازه می‌دهد تا عکس خود، دوستانشان یا حتی حیوان خانگی‌شان را آپلود کرده و سپس تغییرات دلخواه را اعمال کنند، بدون اینکه ویژگی‌های اصلی چهره از بین برود. به عنوان مثال:

• می‌توانید ظاهر خود را با مدل موی دهه شصت امتحان کنید.
• سگ کوچک خود را در یک لباس نمایشی ببینید.

جمینای وعده داده است که در عین انجام این تغییرات خلاقانه، چهره و ویژگی‌های اصلی فرد یا حیوان همچنان قابل شناسایی باقی بماند.

فراتر از سرگرمی: ابزاری کاربردی برای زندگی روزمره

این پیشرفت، یک گام بزرگ نسبت به نتایج کلی و گاهی آزاردهنده مدل‌های رقیب محسوب می‌شود. گوگل به جای تمرکز صرف بر تولید خام و قدرتمندتر، مسیری کاربردی‌تر را انتخاب کرده و مشکل ثبات شخصیت را حل کرده است. این رویکرد باعث می‌شود Gemini از یک ابزار سرگرمی ساده فراتر رفته و به یک ابزار خلاقانه و کاربردی برای استفاده روزمره تبدیل شود.

عرضه و شفافیت

گوگل اعلام کرده است که این قابلیت از امروز در اپلیکیشن Gemini عرضه می‌شود. همچنین، تمام تصاویر ویرایش‌شده با این ابزار دارای واترمارک مخصوص خواهند بود تا به وضوح مشخص شود که با کمک هوش مصنوعی ایجاد شده‌اند. این اقدام نشان‌دهنده تعهد گوگل به شفافیت در استفاده از فناوری‌های هوش مصنوعی است.