Fréchetova udaljenost inception (FID) metrika je za procjenu kvalitete slika generiranih UI-jem. Stvarne i generirane slike propuštaju se kroz unaprijed treniranu mrežu za prepoznavanje slika (Inception v3) i uspoređuju se statističke distribucije njihovih obilježja. Što je vrijednost niža, to su generirane slike bliže stvarnim fotografijama po realističnosti i raznolikosti. FID je predstavljen 2017. i standard je za usporedbu generatora slika.
Agenti, tijekovi rada i predlošci u jednom radnom prostoru – besplatna demo verzija na 24 sata.
Pokrenite demoGenerativna suparnička mreža (GAN) sastoji se od dviju neuronskih mreža koje se treniraju jedna protiv druge: generator stvara umjetne podatke poput slika, a diskriminator ih pokušava razlikovati od stvarnih. Tim natjecanjem rezultati postaju sve realističniji. GAN-ovi su predstavljeni 2014. i oblikovali su generiranje slika prije šire primjene difuzijskih modela; koriste se, primjerice, za sintetičke podatke za treniranje ili poboljšanje slika.
Stable Diffusion je obitelj modela za generiranje slika koji stvaraju slike iz tekstnog opisa. Prva je verzija izašla 2022., a razvijena je pod vodstvom tvrtke Stability AI zajedno s istraživačkim partnerima. Tehnički je to latentni difuzijski model koji postupno pretvara šum slike u sliku. Budući da su težine modela objavljene, može se lokalno pokretati i prilagođavati; komercijalnu upotrebu novijih verzija uređuje vlastita licencija tvrtke Stability AI (stanje: listopad 2026.).
U području UI-ja benchmarking znači sustavnu usporedbu modela ili sustava pomoću definiranih zadataka i kriterija. Javni benchmarkovi mjere, primjerice, opće znanje, zaključivanje ili sposobnost programiranja; za praktičnu primjenu ipak su najvažniji testni slučajevi iz vlastitog svakodnevnog rada. Tipični su kriteriji točnost, potpunost, vrijeme odziva i trošak. To pomaže odlučiti je li manji, jeftiniji model dovoljno dobar za neki zadatak.
Prepoznavanje slika područje je računalnog vida u kojem softver prepoznaje što slika prikazuje – objekte, osobe, tekst, logotipe ili prizore. Obično se temelji na neuronskim mrežama naučenima na velikom broju označenih slika. Primjene sežu od kontrole kvalitete u proizvodnji i razvrstavanja fotografija proizvoda do podrške medicinskom snimanju. Kod slika ljudi posebnu pozornost zahtijevaju zaštita podataka i moguća pristranost.
