Ya hemos visto en la
primera parte de este artículo cómo funcionan de manera general los modelos de difusión, pero nos queda entender cómo meter en la ecuación el texto que insertamos como entrada. Además, es importante comentar por qué podemos utilizar esta enorme
IA como es
Stable Diffusion en nuestros ordenadores (aparte de que tenemos disponibilidad de ella al ser Open Source).
Figura 8: Cómo funciona Stable Diffusion - y Dalle-2 o Midjourney -.
Open Source Generative-IA que crea imágenes artísticas (2 de 2)
Hacer esto con por ejemplo
Dalle-2, si el modelo estuviese disponible para cargar en local, sería imposible ya que
Dalle-2 tiene
3.500 millones de parámetros,
IMAGEN,
4.600 millones.
Stable Diffusion únicamente cuenta con
890 millones, pero su calidad no es menor que el resto de los modelos de
IA. Vamos a ver cómo lo consiguieron.
La clave, los espacios latentes
La respuesta es que
Stable Diffusion trabaja sobre espacios latentes, sobre codificaciones de muchas menos dimensiones que guardan las características más críticas de las imágenes que recibe (por eso en realidad se lo conoce como un modelo de difusión latente), mientras que el resto lo hace sobre las imágenes en su espacio
RGB, con muchas más dimensiones. Estas codificaciones se realizan con el
encoder de un
Autoencoder Variacional. Al final de todo el proceso, el
decoder de este
autoencoder se utiliza para transformar la información latente en la imagen
RGB de salida.
Esto quiere decir que la
U-Net no trabaja sobre las imágenes en su espacio
RGB, sino sobre sus versiones comprimidas (latentes), reduciendo en gran medida la carga computacional. Esta era una de las cosas que me quedaba comentar sobre el proceso de
denoising (eliminaciones de ruido) con la
U-Net, pero falta explicar de qué manera se introduce el texto en este proceso para guiar las generaciones de contenido. Antes, veamos en la imagen siguiente la arquitectura de esta
IA.
De izquierda a derecha, recibimos una imagen de entrada
RGB y la codificamos en su versión latente (
Z) utilizando el
encoder (E) del
autoencoder, y entonces se empieza el proceso de difusión, es decir, la
Cadena de Markov donde se va añadiendo ruido a la representación latente hasta tener la versión final llena de ruido
(Zt).
En este momento, se recibe el texto de entrada (
conditioning) y comienza el aprendizaje de la
U-Net, que recibe la versión latente, el paso de la cadena y el texto para predecir los ruidos e ir eliminándolos, guiando la generación hacia algo que tenga “
sentido” con el texto introducido y semejante con lo que ha sido entrenado (es decir, por ejemplo, si usas un
dataset de imágenes de
Picasso o de
Okuda, como en este ejemplo, intentará recrear su estilo), generando con esta información en cada paso versiones menos ruidosas, tantas veces como la longitud de la cadena
(T), hasta tener la versión latente final que metemos en el
decoder (D) del
autoencoder para generar la imagen de salida
RGB.
Figura 10: Resultado de una imagen creada con Stable Diffusion
Podemos pensar que, durante el entrenamiento, en el proceso de la
Cadena de Markov en el que vamos generando las diferentes versiones latentes ruidosas (
Diffusion Process), lo que estamos haciendo es generar una especie de
dataset para un aprendizaje supervisado donde cada entrada consiste en tres valores (latente
zt, texto, paso de cadena
t) y la salida es la cantidad de ruido que se ha generado a partir del latente
zt-1 entre el paso de la cadena
t-1 y
t.
Como veis, el mismo texto para guiar la salida está presente en cada input del
dataset, mientras que en cada uno de este input el latente y el paso de cadena cambia (valores
zt y
t). De esta manera, vemos como lo que se está haciendo en el
denoising es entrenar al modelo a predecir ruidos, en donde al eliminar cada uno de ellos del correspondiente latente se obtendrá una versión menos ruidosa.
La importancia de los Transformers
Habiendo comentado la arquitectura de este modelo de difusión latente, queda responder a la siguiente pregunta: ¿Cómo se integra el texto de entrada en el proceso de
denoising? Ha llegado el momento de hablar un poco de
Transformers, que son otra de las grandes revoluciones que ocurrieron en el ámbito de la
IA, sobre todo en el dominio del procesamiento del lenguaje (¿os suena
GPT-3?).
Como no es el tema central de este artículo, no entraré en detalle en su arquitectura, lo que nos interesa de ella es su componente conocido como
Encoder. Por otra parte, tenemos que saber que los modelos de
IA son modelos matemáticos, por lo que solo trabajan con números. De esta manera, cada palabra de un texto debe ser codificada antes como un vector de números (
Word Embedding) de numerosas dimensiones.
Podemos entender como que cada dimensión del vector significa algo, como por ejemplo “
familia”, de esta manera en esta dimensión la palabra “
bebé” y “
padre” tendrán valores similares. Por lo que también podemos ver que las palabras “
cuchara” y “
cohete” tendrán vectores de valores muy distintos, ya que no tienen mucho que ver. En la imagen siguiente se muestra un ejemplo, donde por ejemplo la palabra “
casas” (
houses) está más alejada (tiene menos relación) que el resto de las palabras, que son animales.
Figura 11: Ejemplo de word embedding en 2D
En un espacio de vectores de palabras de muchas dimensiones, existen infinidad de relaciones de este tipo que acaban generando una especie de “
diccionario” donde cada palabra tiene su significado y sus relaciones con otras palabras, en forma de vectores numéricos. La clave de las capas de atención que se utilizan en el
Encoder de los
Transformers es que entrenando este tipo de modelos con enormes conjuntos de datos (textos) se pueden crear unos vectores de palabras muy potentes, ya que almacenan contexto sobre las otras palabras con las que se encuentra en el texto, cosa que ninguna otra arquitectura de
IA logra hacer.
Esto que os acabo de explicar es necesario para entender cómo se integran los textos de entrada (vectores numéricos) en el proceso de denoising con la
U-Net.
Stable Diffusion utiliza los
embeddings generados por el
encoder de un
Transformer perteneciente a una red neuronal (
ClipText) pre-entrenada con enormes conjuntos de datos, estos datos con los que se entrena consisten en pares
imagen-caption (pie de foto), en el que gracias al entrenamiento aprende a producir
embeddings donde por ejemplo una imagen de un gato y la frase “
una foto de un gato” están muy relacionados. De esta manera se crea un “
diccionario” enorme con vectores de palabras que guardan gran relación con un montón de imágenes de
Internet (que es al fin y al cabo de donde se obtienen las imágenes para entrenar el
Encoder del
Transformer).
De esta manera, en la arquitectura del modelo que vimos en la
Figura 9, realmente el texto que se recibe en el proceso de
denoising no son las palabras como tal, sino sus codificaciones en vectores numéricos, gracias al uso del
Encoder pre-entrenado que acabamos de ver. Una vez hemos visto como llegamos a tener vectores numéricos en vez de las propias palabras que insertamos en el texto, podemos ver ya cómo se integran estos vectores en el proceso de eliminación de ruido. Para que la
U-Net soporte el guiado de la generación mediante texto (
Text Conditioning) se añaden una serie de capas en su arquitectura denominadas capas de atención.
Como vimos en la
Figura 7, la
U-Net está formada por una serie de
convoluciones que son las que reciben el latente y el paso de la cadena (que, por cierto, este paso no se trata de un número escalar, sino que se codifica también como un vector numérico) y van procesando las características más relevantes. Ahora, después de que la entrada pase por las
convoluciones y antes de encogerse en una menor dimensión, se introduce la capa de atención que recibe el vector numérico que representa el texto y lo mezcla con el espacio de información latente generado antes en las
convoluciones. Este proceso se repite en las sucesivas
convoluciones, de manera que ahora las
convoluciones realizadas incorporan información sobre el texto.
¿Cómo se entrenó Stable Diffusion?
Para el entrenamiento,
Stable Diffusion se entrenó con el
dataset LAION-Aesthetics, consistente de pares
imagen-caption, cuya estética de las imágenes se muestran en la imagen siguiente (ésta será la estética que se recreará en las generaciones de imágenes, puesto que el modelo ha sido entrenado con ellas).
De esta manera, el modelo finalmente va aprendiendo un espacio latente del mundo (de los datos) que ha “
visto” y, una vez se tiene el modelo entrenado, introduciendo un texto (que se transformará a vector numérico usando el
Encoder del
Transformer pre-entrenado) y empezando como semilla con un
array latente aleatorio se genera la imagen de salida condicionada a este texto.
El modelo analiza todo el “conocimiento” que ha adquirido gracias al entrenamiento para generar la imagen que entiende como “más probable”, “viajando” sobre el espacio latente aprendido.
En este GIF se entiende muy bien a lo que me refiero con ir viajando sobre el espacio latente, donde para el prompt "An oil paintings of cows in a field next to a windmill in Holland" dependiendo de donde nos encontremos en el espacio latente se generan diferentes imágenes, aunque relacionadas.
Conclusiones
Las nuevas
Generative-AI basadas en modelos de difusión han supuesto que mucha más gente haya empezado a hablar sobre la
Inteligencia Artificial, pero no solo por gente que se dedica al sector tecnológico, - como hemos
aplicado ya en el mundo de la Ciberseguridad - muchas personas ajenas a este sector también han empezado a conocer este campo tan emocionante, como es el de la
IA.
Además, un gran sector dedicado al diseño gráfico va a poder aprovecharse de estos modelos para poder integrarlos en sus procesos creativos ya que, por ejemplo, ya existen plugins donde poder usar
Stable Diffusion en
Blender, herramientas donde con el texto que introduces cambias el
material de un objeto, o incluso la gigante
Adobe, ya está experimentando con todo esto también.
Como siempre, lo mejor ocurre cuando mezclamos la tecnología con el talento del ser humano para crear ese valor, esa sinergia positiva, que en su conjunto vale más que si nos empeñamos en rechazar las nuevas tecnologías y no aprovechamos su potencial, yendo por caminos separados.
¡El futuro es prometedor!
