结果评估和结论 Mobio

[hasan018542]

当然，仅根据几个任务就得出严肃的结论还为时过早，但我们的测试确实取得了一定成果。

我们学到了什么：

至于名人和模因图像的生成，我们对结果感到满意。此外，两个神经网络都能应对这项任务。

“可识别字符”与最佳结果之间存在明显的相关性。 神经网络在生成猫和狗的图像方面也表现出色。但请求越独特，结果就越糟糕。

在生成具有复杂场景和人物的图像时，我们无法获得所需的结果。也许问题在于我们需要的情节的复杂性。过多的细节会让人工智能感到困惑，从而对结果的质量产生负面影响。

手的形象问题仍未解决。

让网络在嘴里产生某种东西几乎是不可能的。
MJ 在实践中的应用，Mobio 的结论。

对于创意部门来说，根据清晰的参考资 华人澳洲数据 料创作逼真的图像的能力是扩展创意方法的绝佳机会。

通常，富有创造力的人会想出有趣的想法，但实现这些想法需要耗费大量的劳动力。寻找库存照片变得非常困难，并且法律限制阻止使用来自互联网的合适图像。

MJ 和 DALL-E 的功能让实现非常规的想法变得容易，尽管这些工具仍然存在局限性。