几周前，当 Stable Diffusion 人工智能应用程序渲染照片逼真图像时，一个新的流行语随之而来； 超网络。
现在，Stable Diffusion 和 hypernetworks 已经如此结合在一起，不可能在同一段中单独提到一个。
“我已经在小型数据集（不，除了你的真正的当代艺术家）上训练了稳定的扩散超网络来教它晦涩的“风格”，它并没有真正理解开箱即用。 它完全按照描述工作，实际上比我自己想象的要好，”推特上的一位用户说。
我在小型数据集上训练了稳定的扩散超网络（不，不是真正的当代艺术家，除了你的）来教它晦涩的“风格”，它并没有真正理解开箱即用。 它完全按照他的描述工作，实际上比我自己想象的要好。
—后悔最大化器（@regretmaximizer） 2022 年 12 月 20 日
这体现了近来吸引网民的超网络热潮。
在计算机科学中，超网络在技术上是为主网络生成权重的网络。 换句话说，人们认为主网络的行为与其他神经网络相同，因为它学会了将一些原始输入映射到它们想要的目标，而超网络则采用一组包含有关权重结构的信息的输入并生成该层的权重。
另请阅读： 创造破坏生命的深度假图像的人工智能技术
如何使用超网络？
为了理解什么是超网络，让我们稍微回顾一下。 如果您在 Stable Diffusion（用于创建数字艺术和图像的 AI 工具）上创建过图像，您就会遇到它。
训练通常是指模型从标记示例中学习（确定）所有权重和偏差的良好值的过程
在上创建图像 稳定扩散 不是一个自动过程，正如我们已经介绍过的 别处. 为了到达那里，有过程。
首先，AI 模型必须学习如何通过软件将某人的图像从 2D 或 3D 模型渲染或合成为照片。 虽然稳定扩散模型已经过全面测试，但它有一些可以通过嵌入和超网络训练方法纠正的训练限制。
为了获得最佳结果，最终用户可以选择进行额外的培训以微调生成输出以匹配更具体的用例。 “嵌入”训练涉及一组用户提供的图像，并允许模型在生成提示中使用嵌入名称时创建视觉上相似的图像。
嵌入基于特拉维夫大学研究人员开发的“文本倒置”概念，其中模型的文本编码器使用的特定标记的矢量表示与新的伪词相关联。 嵌入可以减少原始模型中的偏差，或模仿视觉风格。
另一方面，“超网络”是一种预训练的神经网络，应用于更大神经网络中的各个点，指的是 NovelAI 开发人员 Kurumuz 在 2021 年创建的技术，最初用于文本生成转换器模型.
针对特定艺术家的培训
包括超网络以将结果导向特定方向，允许基于稳定扩散的模型复制特定艺术家的艺术风格。 该网络的优势在于，即使艺术家未被原始模型识别出来，该网络也能够工作，并且仍会通过找到重要的关键区域（例如头发和眼睛）来处理图像，然后在次要潜在空间中修补这些区域。
“稳定扩散中的嵌入层负责将输入（例如，文本提示和类标签）编码为低维向量。 这些向量有助于引导扩散模型生成与用户输入相匹配的图像，”Benny Cheung 在他的博客中解释道。
“超网络层是系统学习和表达自身知识的一种方式。 它允许 Stable Diffusion 根据其以往的经验创建图像。”
虽然它的嵌入层将文本提示和类标签等输入编码为低维向量，以帮助引导扩散模型生成与用户输入匹配的图像，但超网络层在某种程度上是系统学习和表示自己的一种方式知识。
换句话说，它允许 Stable Diffusion 根据其先前的经验创建图像。 在稳定扩散中，超网络是在通过模型渲染图像后处理的附加层。 超网络倾向于以一种本质上“改变”模型的方式将模型的所有结果偏向于你的训练数据。
记忆力保留
这实质上意味着超网络负责系统先前生成的图像的内存保留。 当用户提供新的输入时，系统可以使用其先前的现有知识来创建更准确的图像。 因此，超网络允许系统更快地学习并不断改进。
这样做的好处是每张包含描述您的训练数据的图像看起来都像您的训练数据。
“我们发现嵌入训练比超网络训练更容易生成自画像。 我们的培训取得了良好的效果，我们对此感到满意，”张写道。
您使用哪种微调技术？ 像超网络或文本倒置之类的东西？
— 马蒂亚斯·米歇尔 (@m91michel) 2022 年 12 月 21 日
但它是一项许多人仍在争论的技术。 超级网络和人工智能生成器才刚刚开始满足用户的需求。 用户界面和提示技术无疑会快速发展，甚至可能会流行起来 谷歌 措手不及，如元新闻 最近有报道.
