KI News: Kurz und klar.

Mit der zunehmenden Verbreitung von Text‑zu‑Bild‑Diffusionsmodellen in kreativen Arbeitsabläufen wird ein zuverlässiges System zur Bewertung der Datenbeiträge immer wichtiger. Der Shapley‑Wert bietet dafür eine theoretisch fundierte Grundlage, doch die Notwendigkeit, das Modell für jede Teilmenge von Datenkontributoren neu zu trainieren, sowie die enorme Anzahl möglicher Teilmengen machen ihn praktisch untragbar.

Fassadenrenovierung gilt als umweltfreundliche Alternative zur kompletten Abriss‑ und Neubauphase, doch die Erstellung von Designvorschlägen, die bestehende Strukturen erhalten und gleichzeitig neue Gestaltungsziele vermitteln, bleibt komplex. Traditionelle Arbeitsabläufe erfordern meist ein detailliertes As‑Built‑Modell, was zeitaufwendig, arbeitsintensiv und revisionsempfindlich ist.

In der lebendigen Open‑Source‑Community von Diffusionsmodellen wie Stable Diffusion (SD) gibt es zahlreiche feinabgestimmte Checkpoints und effiziente Adapter wie LoRA, LyCORIS und ControlNet. Diese Komponenten sind jedoch eng an ein bestimmtes Basismodell gebunden, sodass sie bei einer Aktualisierung des Modells – etwa von SD 1.x auf SD 2.x – kaum wiederverwendbar bleiben. Der Grund liegt in den tiefgreifenden Änderungen der Modellparameter und der Architektur.

In einer kürzlich veröffentlichten Studie auf arXiv wird ein innovativer Ansatz vorgestellt, der die Leistung von Text‑zu‑Bild‑Samplern neu definiert. Anstatt die Modellgewichte zu verändern, konzentriert sich die Methode auf die zeitliche Planung des Sampling‑Prozesses eines bereits trainierten Samplers.

In einer wegweisenden Studie haben Forscher neue Skalierungsformeln entwickelt, die den Energieverbrauch von Diffusionsmodellen für die Bildgenerierung präzise vorhersagen. Durch die Anpassung der Kaplan‑Skalierungs­gesetze an die GPU‑Rechenleistung lassen sich die FLOPs (Floating‑Point Operations) in konkrete Stromkosten umrechnen.

Die lokale intrinsische Dimension (LID) ist ein zentrales Konzept in Signalverarbeitung und Lerntheorie, doch ihre Bestimmung bei hochdimensionalen, komplexen Daten bleibt schwierig. Neuere Studien zeigen, dass Diffusionsmodelle die LID über die Spektren ihrer Score-Schätzungen und die Änderungsrate ihrer Dichteabschätzungen bei unterschiedlichen Rauschstufen erfassen können. Diese Verfahren erfordern jedoch viele Vorwärtsdurchläufe oder Gradientenauswertungen, was sie in ressourcenbeschränkten Umgebungen unpraktisch macht.

Eine brandneue Erweiterung für LibreOffice ermöglicht es, Stable Diffusion direkt in Dokumente einzubinden. Damit können Nutzer*innen innerhalb der Office-Umgebung KI-generierte Bilder erstellen, ohne die Anwendung zu verlassen.

Der neue Kurs bietet mehr als 30 Stunden Video‑Lektionen, die von den Grundlagen des Deep Learning bis hin zu den neuesten Techniken der Stable Diffusion reichen. Mit praxisnahen Beispielen und interaktiven Übungen vermittelt er ein tiefes Verständnis der KI‑Entwicklung.

Im Jahr 2022 veröffentlichte fast.ai den zweiten Teil des beliebten Kurses „Practical Deep Learning for Coders“. Der neue Kurs baut auf den Grundlagen des ersten Teils auf und führt die Lernenden in fortgeschrittene Techniken der künstlichen Intelligenz ein.