TextUnbox vs Drag Your GAN

TextUnbox realiza OCR de texto impreso y manuscrito, generación de imágenes con DALL-E, conversión de voz a texto, traducción y eliminación de fondos desde un portal web y una API REST compartida. Carga o pega una imagen en el navegador para extraer texto, generar imágenes a partir de un texto o grabación de voz, transcribir audio WAV o eliminar el fondo de una foto. Una sola clave de licencia desbloquea todas las aplicaciones de navegador y puntos finales de la API, con el uso contado por operación exitosa en lugar de por asiento mensual.

La mayoría de las herramientas OCR se limitan a la extracción de texto, y la mayoría de los generadores de imágenes ignoran completamente el escaneo de documentos. TextUnbox vincula ambos flujos de trabajo al mismo conjunto de unidades prepagadas, de modo que un equipo puede hacer OCR de un lote de recibos y generar arte para marketing sin comprar suscripciones separadas. La API REST en hello.textunbox.app acepta cargas de imágenes multipart y solicitudes JSON, con especificaciones OpenAPI y colecciones Postman publicadas en el sitio de documentación.

Los desarrolladores que construyen pipelines de documentos, aplicaciones de captura móvil o automatización interna pueden llamar a puntos finales HTTPS estandarizados con un encabezado x-textunbox-licensekey. Los usuarios ocasionales obtienen las mismas capacidades a través de páginas web responsivas, incluyendo pegar desde el portapapeles para escaneos rápidos. Las claves de prueba gratuitas están disponibles por correo electrónico sin tarjeta de crédito, aunque el uso continuo requiere comprar unidades de extracción prepagadas a través de Gumroad.

En el ámbito de la sintetización de contenido visual para satisfacer las necesidades de los usuarios, es esencial lograr un control preciso sobre la pose, la forma, la expresión y el diseño de los objetos generados. Los enfoques tradicionales para controlar las redes adversas generativas (GAN) se han basado en anotaciones manuales durante la capacitación o modelos 3D anteriores, a menudo carecen de la flexibilidad, la precisión y la versatilidad requeridas para diversas aplicaciones.

En nuestra investigación, exploramos un método innovador y relativamente desconocido para el control de GaN, la capacidad de "arrastrar" puntos de imagen específicos para alcanzar con precisión los puntos objetivo definidos por el usuario de manera interactiva (como se ilustra en la Fig.1). Este enfoque ha llevado al desarrollo de Draggan, un marco novedoso que comprende dos componentes centrales:

Supervisión de movimiento basada en características: este componente guía los puntos de manejo dentro de la imagen hacia sus posiciones objetivo previstas a través de la supervisión de movimiento basada en características.

Seguimiento de puntos: aprovechando las características discriminativas de GaN, nuestra nueva técnica de seguimiento de puntos localiza continuamente la posición de los puntos de manejo.

Draggan faculta a los usuarios para deformar las imágenes con notable precisión, permitiendo la manipulación de la pose, la forma, la expresión y el diseño en diversas categorías, como animales, automóviles, humanos, paisajes y más. Estas manipulaciones tienen lugar dentro del colector de imágenes generativas aprendidas de un GaN, lo que resulta en resultados realistas, incluso en escenarios complejos como generar contenido ocluido y formas deformantes mientras se adhieren a la rigidez del objeto.

Nuestras evaluaciones integrales, que abarcan comparaciones cualitativas y cuantitativas, destacan la superioridad de Draggan sobre los métodos existentes en tareas relacionadas con la manipulación de imágenes y el seguimiento de puntos. Además, demostramos sus capacidades para manipular imágenes del mundo real a través de la inversión de GaN, mostrando su potencial para diversas aplicaciones prácticas en el ámbito de la síntesis y control de contenido visual.