- Os vídeos gerados por IA muitas vezes perdem consistência com o tempo devido a um problema chamado desvio
- Modelos treinados na luta perfeita de dados ao lidar com entradas imperfeitas do mundo real
- Os pesquisadores da EPFL desenvolveram a reciclagem por meio da reciclagem de defeitos para limitar a degradação progressiva
Os vídeos gerados por IA muitas vezes perdem consistência à medida que as sequências ficam mais longas, um problema conhecido como desvio.
Esse problema ocorre porque cada novo quadro é criado com base no anterior, de modo que qualquer pequena falha, como um objeto distorcido ou um rosto levemente desfocado, é amplificada com o tempo.
Grandes modelos de linguagem treinados exclusivamente em conjuntos de dados ideais lutam para lidar com entradas imperfeitas, e é por isso que os vídeos normalmente se tornam irrealistas após alguns segundos.
Reciclando erros para melhorar o desempenho da IA
A criação de vídeos que mantenham a continuidade lógica durante um longo período de tempo continua a ser um grande desafio neste campo.
Agora, pesquisadores do laboratório de Inteligência Visual para Transporte (VITA) da EPFL apresentaram um método chamado reciclagem por meio de reciclagem de erros.
Ao contrário das abordagens convencionais que tentam evitar erros, este método retroalimenta intencionalmente os erros da IA durante o processo de treinamento.
Assim, o modelo aprende a corrigir erros em frames futuros, limitando a degradação progressiva das imagens.
O processo envolve a criação de um vídeo, a identificação de discrepâncias entre os frames produzidos e os frames pretendidos e o retreinamento da IA nessas discrepâncias para melhorar a produção futura.
Os sistemas de vídeo de IA atuais normalmente produzem sequências que permanecem realistas por menos de 30 segundos antes que as formas, cores e lógica de movimento sejam degradadas.
Ao integrar a reciclagem de erros, a equipe da EPFL criou vídeos que sofrem oscilações por períodos mais longos para remover as rígidas restrições de tempo dos vídeos criativos.
Este avanço permite que os sistemas de IA criem sequências mais estáveis em aplicações como simulações, animações ou histórias visuais automatizadas.
Embora esta abordagem corrija o desvio, ela não elimina todas as limitações técnicas.
A reciclagem de erros aumenta a demanda computacional e requer monitoramento constante para evitar ajuste excessivo a erros específicos.
A implantação em larga escala pode ter restrições de recursos e eficiência, bem como a necessidade de manter a consistência em diferentes conteúdos de vídeo.
Não há certeza se alimentar a IA com seus próprios bugs é realmente uma boa ideia, pois o método pode introduzir vieses inesperados ou reduzir a generalização para cenários complexos.
O desenvolvimento do VITA Lab mostra que a IA pode aprender com seus erros, ampliando os prazos de criação de vídeos.
No entanto, ainda não está claro como esse método funcionará em testes controlados ou aplicações criativas, o que sugere cautela antes de assumir que ele pode resolver completamente o problema do desvio.
Através TechXplore
Siga o TechRadar no Google Notícias e adicione-nos como sua fonte padrão para receber notícias, opiniões e opiniões de nossos especialistas em feeds. Certifique-se de clicar no botão Continuar!
E é claro que você também pode Siga o TechRadar no TikTok para receber novidades, análises, unboxings em formato de vídeo e receber atualizações constantes nossas WhatsApp também
