几天前，库克在苹果电话会上证实，「今年晚些时候会发布生成式AI」。这一消息引起了广泛的关注，尤其在ChatGPT掀起全球热潮之后，苹果也在悄悄发力AI领域。据透露，苹果曾曝出的大模型框架Ajax、AppleGPT等AI工具让业界充满期待。在即将举办的WWDC上，苹果预计将宣布将各种AI能力整合到iOS18、iPadOS18等软件产品中。
然而，在这之前，iPhone用户已经可以提前体验到AI超能力!只需动动嘴，就可以在短短10秒内完成照片编辑，让照片中的哭脸变成笑脸、照片提亮、移除背景人物等。这项神奇的技术背后是由一个基于自然语言修改图片的新模型——MGIE加持，由UCSB和苹果全华人团队共同完成。（MGIE项目下载地址见文末）
具体来说，通过多模态模型，用户可以用简短的话语实现出色的图像编辑能力。这项技术已经在今天正式开源，为用户带来了前所未有的编辑体验。
根据最新研究，多模态大模型（MLLM）能够自然地将图片作为输入，并提供视觉感知响应，展现出强大的能力。MGIE作为MLLM的应用，结合扩散模型，可以通过给定的指令对输入图像进行编辑，实现预期的目标。
与其他类似模型相比，MGIE在处理模糊的人类指令方面表现出色，能够准确理解并执行编辑任务。研究人员使用了IPr2Pr作为预训练数据集，其中包含了大量的指令和图像数据，以进行模型的训练和评估。实验结果表明，MGIE在各种编辑任务中取得了显著的成绩，包括Photoshop风格的修改、全局照片优化和局部对象修改。
通过学习基于指令的图像编辑，研究人员发现，MGIE可以根据明确的指导执行准确的编辑任务，从而增强了图像编辑的效果。在零样本和微调场景中，MLLM引导图像编辑都取得了巨大的改进。
研究人员还探索了不同的架构来使用表达指令，结果显示具有关键视觉感知的表达指令始终具有优势。综合来看，MGIE在图像编辑领域展现出了强大的潜力，并为用户提供了更加直观、高效的编辑方式。随着这一技术的不断完善和推广，相信将会给用户带来更多惊喜和便利。
（举报）
