广告公司可以使用生成式人工智能和文字转图像根基模型，制作创新的广告素材和内容。在本篇文案中，将演示如何使用亚马逊云科技Amazon SageMaker从现有的基本图像生成新图像，这是一项完全托管式服务，用于大规模构建、训练和部署机器学习模型。采用此解决方案，企业无论规模如何，都可以比以往更快地制作新的广告素材，而且大幅降低成本。这样，便能够以低成本和高速度，为企业制作新的定制广告素材内容。
解决方案概览
想象这样一个场景：一家全球汽车公司需要为其即将发布的新车型制作新的营销材料，为此聘请了一家广告公司，该公司以向拥有强大品牌资产的客户提供广告解决方案而闻名。这家汽车制造商在寻找低成本的广告素材，以便在保持汽车制造商品牌形象的同时，使用不同的位置、颜色和视角来展示该车型。凭借先进技术的强大功能，广告公司可以在其安全的亚马逊云科技环境中，使用生成式人工智能模型为客户提供支持。
该解决方案是使用生成式人工智能以及Amazon SageMaker中的文字转图像模型开发的。SageMaker是一项完全托管式机器学习（ML）服务，可针对任何使用场景，使用完全托管的基础设施、工具和工作流，轻松地构建、训练和部署机器学习模型。Stable Diffusion是Stability AI推出的文本到图像根基模型，用于支持图像生成流程。Diffusers是预先训练的模型，通过Stable Diffusion使用现有图像，根据提示生成新图像。将Stable Diffusion与ControlNet等Diffusers结合使用，可以利用现有的品牌特定内容开发出炫目的版本。在亚马逊云科技中使用Amazon SageMaker开发解决方案的主要好处是：
-
私密性------将数据存储在Amazon Simple Storage Service（Amazon S3）中并使用SageMaker托管模型，这样就可以遵循亚马逊云科技账户中的安全最佳实践，同时不对外公开资产。
-
可扩展性------将Stable Diffusion模型部署作为SageMaker端点时，允许配置实例大小和实例数量，从而实现可扩展性。SageMaker端点还具备自动扩缩功能和高可用性。
-
灵活性------在创建和部署端点时，可以通过SageMaker灵活选择GPU实例类型。此外，在业务需求发生变化时，可以毫不费力地更改SageMaker端点后面的实例。亚马逊云科技还开发了硬件和芯片，为生成式人工智能使用AWS Inferentia2，以最低的成本实现高性能的推理。
-
快速创新------生成式人工智能是一个快速发展的领域，采用全新方法，而且还在不断开发和发布新模型。Amazon SageMaker JumpStart定期推出新模型和根基模型。
-
端到端集成------利用亚马逊云科技，能够将创作流程与任何亚马逊云科技服务集成，并开发端到端的流程，通过AWS Identity and Access Management（IAM）进行精细的访问控制，通过Amazon Simple Notification Service（Amazon SNS）发送通知，以及使用事件驱动型计算服务AWS Lambda进行后处理。
-
分发------生成新素材后，使用亚马逊云科技的Amazon CloudFront，可以通过多个区域中的全球渠道分发内容。
在此篇文案中，使用GitHub为示例，该示例使用Amazon SageMaker Studio和根基模型（Stable Diffusion）、提示、计算机视觉技术和SageMaker端点，从现有图像生成新图像。下图展示了该解决方案的架构。
该工作流包含以下步骤：
-
将现有内容（图片、品牌风格等）安全地存储在S3存储桶中。
-
在SageMaker Studio笔记本中，使用计算机视觉技术，将原始图像数据转换为图像，这将保留产品（汽车模型）的形状，去除颜色和背景，并生成单色的中间图像。
-
中间图像用作Stable Diffusion与ControlNet的控制图像。
-
在基于GPU的适宜实例大小上，从SageMaker Jumpstart部署SageMaker端点和Stable Diffusion文本转图像根基模型，并部署ControlNet。
-
使用描述新背景和汽车颜色的提示以及单色中间图像来调用SageMaker端点，从而生成新图像。
-
新图像在生成后存储在S3存储桶中。
在SageMaker端点上部署ControlNet
要将模型部署到SageMaker端点，必须为每个单独的技术模型构件创建一个压缩文件，并创建Stable Diffusion权重、推理脚本和NVIDIA Triton配置文件。
为了创建模型管道，定义一个inference.py脚本，SageMaker实时端点将使用该脚本，来加载和托管Stable Diffusion与ControlNet tar.gz文件。
从模型URI，使用所需的实例大小（GPU类型）部署SageMaker端点。
生成新图像
现在，端点已部署在SageMaker端点上，我们可以传入提示和要用作基准的原始图像。
为了定义提示，创建正向提示p_p，这是希望在新图像中出现的内容；还创建了负向提示n_p，这是希望在新图像中避免出现的内容。
最后，使用提示和源图像调用端点，以此来生成新图像。
不同的ControlNet技术
综上所述，比较不同的ControlNet技术及其在所生成图像上的效果。通过以下原始图像，使用Amazon SageMaker中的Stable Diffusion和ControlNet生成新内容。
下表显示了技术输出如何描述在原始图像中需要强调的内容。
清理
使用生成式人工智能生成新的广告素材后，清理所有不再使用的资源。删除Amazon S3中的数据并停止任何SageMaker Studio笔记本实例，以免继续产生任何费用。如果您使用SageMaker JumpStart将Stable Diffusion部署为SageMaker实时端点，请通过SageMaker控制台或SageMaker Studio删除该端点。
总结
使用SageMaker上的根基模型，从存储在Amazon S3中的现有图像创建新的内容图像。借助这些技术，营销、广告和其他创意机构都能够使用生成式人工智能工具，增强其广告创意流程。