Generatiivinen tekoäly (AI), mukaan lukien mallit kuten Stable Diffusion, Midjourney ja DALL-E, kamppailee usein johdonmukaisten kuvien tuottamisessa, erityisesti yksityiskohtien, kuten kasvojen symmetrian ja oikean sormien esityksen, osalta. Nämä mallit tuottavat yleensä neliönmuotoisia kuvia, mikä aiheuttaa ongelmia, kun niiden on luotava kuvia eri kuvasuhteissa, mikä johtaa poikkeavuuksiin, kuten ylimääräisiin sormiin tai vääristyneisiin muotoihin. Näiden ongelmien ratkaisemiseksi Rice-yliopiston tietojenkäsittelytieteilijät ovat kehittäneet ElasticDiffusion-nimisen uuden menetelmän, joka hyödyntää etukäteen koulutettuja diffuusiomalleja. Rice-yliopiston tohtoriopiskelija Moayed Haji Ali esitteli menetelmää IEEE 2024 Computer Vision and Pattern Recognition -konferenssissa Seattlessa. Haji Ali selitti, että perinteiset diffuusiomallit voivat tuottaa kuvia vain tietyllä tarkkuudella, mikä on seurausta ylioppimisesta, jossa tekoälymalli menestyy hyvin tutussa datassa mutta kamppailee vaihtelujen kanssa. ElasticDiffusion parantaa lähestymistapaa erottamalla paikallisen ja globaalin tiedon kuvien luontiprosessin aikana sen sijaan, että ne yhdistettäisiin.

Tämä erottelu auttaa välttämään visuaalisia epätäydellisyyksiä, jotka johtuvat toistuvasta datasta, kun sovelletaan ei-neliömuotoisiin kuviin. Haji Ali huomautti, että prosessi sisältää aluksi globaalin pistemäärän saamisen, joka kattaa kuvan yleisrakenteen, ja sitten täytetään pikselitason yksityiskohdat. Tämä menetelmä mahdollistaa selkeämpien kuvien luomisen eri kuvasuhteissa ilman, että tarvitaan ylimääräistä mallikoulutusta. Vaikka ElasticDiffusion tarjoaa parannettua johdonmukaisuutta ja mukautuvuutta kuvien luomisessa, siihen liittyy kompromissi: tällä hetkellä se vaatii 6-9 kertaa kauemman ajan kuvien luomiseen verrattuna perinteisiin diffuusiomalleihin. Haji Ali pyrkii optimoimaan menetelmää saavuttamaan samankaltaiset päätelaiteajat samalla säilyttäen kyvyn tuottaa korkealaatuisia kuvia kuvasuhteesta riippumatta.