В свободное время я генерирую тысячи красивых (и не очень) картинок. Иногда я пробую сделать что-то, что будет иметь практическую ценность. Основным преимуществом рисующих нейросетей сейчас я вижу время. Можно сделать портрет почти готового качества за несколько минут; стилизовать любое изображение или набросать композицию. Как же это использовать?

https://habr.com/ru/post/703996/?utm_source=habrahabr&utm_medium=rss&utm_campaign=703996

Привет! InvokeAI 2.2 теперь доступен для всех. В этом обновлении добавлены UI Outpainting, Embedding Management и другие функции. Ознакомьтесь с выделенными обновлениями ниже, а также с полным описанием всех функций, включенных в релиз.

https://habr.com/ru/post/703202/?utm_source=habrahabr&utm_medium=rss&utm_campaign=703202

Модель подходит для создания бесшовных узоров, абстрактных рисунков и стилизованных под акварель образов. Как использовать модель и как обучить нейросеть на своих картинках?

https://habr.com/ru/post/698998/?utm_source=habrahabr&utm_medium=rss&utm_campaign=698998

Привет всем! Сегодня состоялся релиз InvokeAI 2.0: A Stable Diffusion Toolkit, проекта, цель которого — предоставить энтузиастам и профессионалам набор надежных инструментов для создания и редактирования изображений с помощью нейросети. InvokeAI требует всего ~3,5 Гб видеопамяти для создания изображений 512x768 пикселей (и еще меньше для 512х512), и совместим с Windows/Linux/Mac с M1 и M2.

https://habr.com/ru/post/693512/?utm_source=habrahabr&utm_medium=rss&utm_campaign=693512

Привет, Хабр! Около полугода назад я наткнулся на статью с практически аналогичным названием. Сама идея мне показалась интересной и захотелось сделать нечто похожее только с использованием компьютерного зрения.

Всем, кому интересно как мне удалось это реализовать и с какими трудностями пришлось столкнуться в процессе разработки — добро пожаловать под кат!

https://habr.com/ru/post/691186/?utm_source=habrahabr&utm_medium=rss&utm_campaign=691186

Все чаще для сегментации изображений используется глубокое обучение и сверточные нейронные сети. В случае медицинских картинок достаточно сильно проявляются основные проблемы этого метода: не хватает робастности и интерпретируемости. Происходит это в основном из-за того, что CNN обучаются на текстуре изображения, а не на форме, или требуются дополнительные вычисления post hoc, которые, как было показано, ненадежны с точки зрения интерпретируемости.

В статье SAUNet: Shape Attentive U-Net for Interpretable Medical Image Segmentation авторы предлагают добавить к модели U-Net второй поток данных о форме, а также использовать dual-attention декодер. Такой метод позволил получить очень хорошие результаты на датасетах изображений МРТ сердца SUN09 и AC17, обеспечивая высокую интерпретируемость при различных разрешениях.

Работа опирается на последние достижения в области моделей channel-attention с использованием модулей сжатия и возбуждения, предложенных Hu и др., и spatial attention c оценкой внимания, предложенных Jetley и др..

https://habr.com/ru/post/666478/?utm_source=habrahabr&utm_medium=rss&utm_campaign=666478