Bonne réponse
- AAffiner (fine-tune) le modèle sur un jeu de données organisé de visages humains.
Explication
L'affinage (fine-tuning) du modèle sur un jeu de données organisé de visages humains résout directement le problème de distorsion en spécialisant le modèle pour la génération de visages. L'option B (augmenter la résolution de sortie) peut améliorer la netteté globale de l'image mais ne corrige pas spécifiquement les distorsions faciales. L'option C (augmenter le nombre d'étapes d'inférence) peut améliorer la cohérence de l'image mais ne cible pas la qualité des visages. L'option-clé D (réduire l'échelle de guidage sans classifieur) diminue l'adhésion au prompt, ce qui pourrait en fait aggraver la génération de visages plutôt que de l'améliorer.
Pour aller plus loin
Les modèles de diffusion texte-image apprennent une distribution sur les pixels conditionnée par le texte ; les visages sont des structures à haute fréquence et à faible tolérance, de sorte que les données d'entraînement génériques à l'échelle du web produisent des yeux flous, des caractéristiques asymétriques et des mains fondues. L'affinage sur un jeu de données faciales organisé déplace le a priori appris du modèle vers une géométrie faciale correcte, généralement via des adaptateurs LoRA ou une personnalisation de type DreamBooth qui mettent à jour un sous-ensemble restreint de poids. Augmenter la résolution seule aggrave souvent la distorsion car le modèle n'a pas été entraîné à cette échelle, et un plus grand nombre d'étapes d'inférence ne fait que raffiner une trajectoire latente déjà erronée. L'échelle de guidage modifie l'adhésion au prompt, pas l'exactitude anatomique. Cela importe lorsqu'une campagne de marque nécessite des porte-parole photoréalistes et que l'examen juridique rejette les visages générés par l'IA présentant des artefacts visibles.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement Generative AI Leader originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.