Fréchet' inception distance (FID) on TI loodud piltide kvaliteedi hindamise mõõdik. Päris ja genereeritud pildid lastakse läbi eeltreenitud pildituvastusvõrgu (Inception v3) ning võrreldakse nende tunnuste statistilisi jaotusi. Mida madalam väärtus, seda lähemal on genereeritud pildid päris fotodele realistlikkuse ja mitmekesisuse poolest. FID võeti kasutusele 2017. aastal ja see on pildigeneraatorite võrdlemise standard.
Generatiivne võistlusvõrk (generative adversarial network, GAN) koosneb kahest närvivõrgust, mida treenitakse üksteise vastu: generaator loob tehisandmeid, näiteks pilte, ja diskriminaator püüab neid päris andmetest eristada. Selle võistluse käigus muutuvad tulemused üha realistlikumaks. GAN-id võeti kasutusele 2014. aastal ja need kujundasid pildiloomet, enne kui difusioonimudelid laiemalt levisid; neid kasutatakse näiteks sünteetiliste treeningandmete loomiseks või piltide parandamiseks.
Stable Diffusion on pildigenereerimise mudelite perekond, mis loob pilte tekstikirjelduse põhjal. Esimene versioon avaldati 2022. aastal, selle töötas välja Stability AI juhtimisel koos teadusparteritega. Tehniliselt on see latentne difusioonimudel, mis muudab pildimüra järk-järgult pildiks. Kuna mudeli kaalud on avaldatud, saab seda kohapeal käitada ja kohandada; uuemate versioonide kommertskasutust reguleerib Stability AI oma litsents (seisuga oktoober 2026).
TI valdkonnas tähendab võrdlustestimine (benchmarking) mudelite või süsteemide süstemaatilist võrdlemist kindlaksmääratud ülesannete ja kriteeriumide abil. Avalikud võrdlustestid mõõdavad näiteks üldteadmisi, arutlusvõimet või programmeerimisoskust; praktilise kasutuse jaoks on aga kõige olulisemad testjuhtumid sinu enda igapäevatööst. Tüüpilised kriteeriumid on täpsus, täielikkus, reageerimisaeg ja kulu. See aitab otsustada, kas väiksem ja odavam mudel on ülesande jaoks piisavalt hea.
Pildituvastus on masinnägemise valdkond, kus tarkvara tuvastab, mida pilt kujutab – objekte, inimesi, teksti, logosid või stseene. Tavaliselt põhineb see närvivõrkudel, mida on treenitud suurel hulgal märgendatud piltidel. Rakendused ulatuvad tootmise kvaliteedikontrollist ja tootefotode sorteerimisest kuni meditsiinilise kuvamise toetamiseni. Inimesi kujutavate piltide puhul nõuavad andmekaitse ja võimalik kallutatus erilist tähelepanu.
