一个令人惊艳的ChatGPT项目，开源了！

最近在GitHub上发现了一个爆火的开源项目。

好家伙凑近一看居然还是由微软开源并且和最近炙手可热的ChatGPT息息相关。

项目的名字叫做Visual ChatGPT。

https://github.com/microsoft/visual-chatgpt

这个项目最早是3月上旬微软开源的项目宣布开源后仅用了短短一周就斩获了2w+ star。

到现在为止距离当初项目开源大约过去了3周多仓库star数则来到了28k+亦可谓是火箭式上涨doge。

众所周知ChatGPT自2022年11月推出以来持续走红。

ChatGPT具备强大的会话能力可以理解文字、聊天、写小说、解答问题、编写代码… 但是目前还并不能直接处理或生成图像。

而Visual ChatGPT这个项目则可以把ChatGPT和一系列视觉基础模型VFMVisual Foundation Model给联系起来以便实现在ChatGPT聊天的过程中来发送和接收图像也使得ChatGPT能够处理更为复杂的视觉任务。

讲白了就是通过Visual ChatGPT可以把一系列视觉基础模型给接入ChatGPT使得ChatGPT能胜任更为复杂的视觉处理任务。

Visual ChatGPT的整体技术架构图如上所示我们可以清楚地看到ChatGPT和视觉基础模型VFMVisual Foundation Model分别位于其中的位置。

一方面ChatGPT(或LLM)作为一个通用接口继续发挥它本身的优势提供对不同话题的智能理解。另一方面基础视觉模型VFM则通过提供特定领域的深入知识来充当领域专家它们通过交互管理模块Prompt Manger进行连接和适配。

这样聊可能比较抽象我们可以拿官方给的一个例子来进行说明

1、首先是用户输入一张黄色的向日葵图片并且要求ChatGPT根据该图像预测深度来生成一朵红花然后再一步一步将其做成卡通画。

2、接着是交互管理模块Prompt Manger发挥作用在它的协调和控制下VFM模块开始发挥作用

• 首先需要运用深度估计模型来预测并生成图像的深度信息
• 然后需要运用深度图像模型来生成对应空间深度的红花图像
• 最后运用Stable Diffusion的风格迁移模型来完成图像风格的变换。

3、最后Visual ChatGPT系统再将最终结果返回给用户完成本次对话。

说到这里有兴趣的小伙伴可以可以看看微软给出的一篇有关Visual ChatGPT的论文。

里面关于这部分的流程解释得非常详细而且还给出了多轮对话的案例、以及实验结果有兴趣的小伙伴可以看看。

好了今天的分享就到这里了感谢大家的收看我们下篇见。

注本文在GitHub开源仓库「编程之路」 https://github.com/rd2coding/Road2Coding 中已经收录里面有我整理的6大编程方向(岗位)的自学路线+知识点大梳理、面试考点、我的简历、几本硬核pdf笔记以及程序员生活和感悟欢迎star。