AI畫家的「滑鐵盧」：為什么冰可樂不愿意住進茶杯里？ 精華
文章的第一作者是上海交通大學博士研究生趙峻圖（主頁：https://juntuzhao.run），他的研究方向包括計算機視覺和人工智能賦能的生命科學。此外，他還擔任上海交通大學校田徑隊隊長。文章的通訊作者為上海交通大學長聘教軌助理教授、博士生導師王德泉（主頁：https://dequan.wang）。
設(shè)想一下，如果讓你畫一幅 “茶杯中的冰可樂” 的圖片，盡管茶杯與冰可樂的組合可能并不恰當，你仍然會很自然地先畫出一個茶杯，然后畫上冰塊與可樂。那么，當我們給 AI 畫家提出 “畫出茶杯中的冰可樂” 的要求時，會發(fā)生什么呢？在 2023 年 10 月大規(guī)模 AI 圖像生成模型剛剛興起時，我們便進行了這種嘗試，得到了以下結(jié)果：
考慮到 AI 模型更新?lián)Q代帶來的性能提升，我們在 2024 年 7 月又使用了最先進的模型進行了同樣的嘗試：
可以看出，即使是最先進的 AI 畫家（例如 Dall?E 3），也無法憑空構(gòu)建 “茶杯中的冰可樂” 的場景，它們往往會摸不著頭腦，糾結(jié)良久后畫出一個裝滿冰可樂的透明玻璃杯。即使是擁有昂貴數(shù)據(jù)標注基礎(chǔ)以及 ChatGPT-4 加持下的最新 Dall?E 3 也無法穩(wěn)定地 “將冰可樂裝進茶杯里”，這一問題在學術(shù)界被歸類為文生圖模型的文本圖像不對齊問題（text-image misalignment）。最近，上海交通大學王德泉老師課題組在論文《Lost in Translation: Latent Concept Misalignment in Text-to-Image Diffusion Models》中深入探索了這一問題的新分支，該論文即將發(fā)表在 2024 年 10 月份的第 18 屆歐洲計算機視覺大會（ECCV）上。
- 論文鏈接：https://arxiv.org/abs/2408.00230
- 項目鏈接：https://lcmis.github.io
文本圖像不對齊問題是圖像生成領(lǐng)域中的一個重要方向，與傳統(tǒng)不對齊問題不同的是，在傳統(tǒng)不對齊問題中，人們主要關(guān)注的是一組概念對中兩個概念的相互影響，例如給定 “一個蘋果和一個梨” 的需求，得到的圖像要么是兩個蘋果，要么是兩個梨，不會出現(xiàn)第三種概念。而在 “茶杯中的冰可樂” 這一例子中，有一個關(guān)鍵的隱藏變量 “透明玻璃杯”，其從未在文本提示中出現(xiàn)，卻替代 “茶杯” 出現(xiàn)在了圖像中。這種現(xiàn)象在本文中被稱為包含隱藏變量的不對齊問題（Latent Concept Misalignment，簡稱 LC-Mis）。
為了更深入地探索為什么茶杯會消失在圖像中，我們首先希望收集一些與 “茶杯中的冰可樂” 存在相似問題的數(shù)據(jù)。然而，“茶杯中的冰可樂” 問題源于人類的奇思妙想與 AI 的死記硬背之間的沖突，如果僅依靠人類專家冥思苦想來創(chuàng)造新的概念對，效率將會非常低下。因此，我們設(shè)計了一個基于大語言模型（LLMs）的系統(tǒng)，利用 LLMs 體內(nèi)蘊含的人類思維來幫助我們快速收集與 “茶杯中的冰可樂” 存在類似問題的概念對。在這個系統(tǒng)中，我們首先向 LLMs 解釋 “茶杯中的冰可樂” 問題背后的邏輯，然后簡單地將這一問題劃分為幾個類別，讓 LLMs 按照不同類別的邏輯生成更多的類別和概念對，最后我們使用文生圖模型來繪制圖像進行檢查。然而，我們在后續(xù)實驗中發(fā)現(xiàn)，現(xiàn)有的自動化評價指標在 “茶杯中的冰可樂” 這一新問題上存在一定缺陷。因此，我們只能采用人工評估的方式，我們對每組概念對生成 20 張圖像，并根據(jù)這 20 張圖中正確畫出的數(shù)量為這組概念對給予 1 至 5 的評級，其中第 5 級表示所有 20 張圖像均未能正確生成。
為了找回圖像中的茶杯，我們提出了一種名為 Mixture of Concept Experts (MoCE) 的方法。我們認為，如果不從人類處理問題的角度來進行思考，那么人工智能的一切都是毫無道理的。在當今最火熱的文生圖模型 diffusion models 中，注意力機制會同時處理文本提示中的可樂與茶杯，但這并不符合人類按照概念順序作畫的規(guī)律。因此，我們將順序作畫的規(guī)律融入到 diffusion models 的多步采樣過程中，成功地將消失的茶杯找了回來：
具體來說，LLMs 會首先告訴我們應(yīng)該先畫一個茶杯。接下來，我們將茶杯這一概念單獨輸入給 diffusion models，完成 T-N 步的采樣。而在余下的 N 步采樣中，再提供完整的文本提示，“茶杯中的冰可樂”，最終生成一張干凈的圖像。在此過程中，N 起到了至關(guān)重要的作用，因為它決定了為 “茶杯” 分配的采樣步數(shù)。于是，我們使用一個多模態(tài)模型來衡量圖像與茶杯以及冰可樂的契合度評分。當圖像和兩個概念的評分之間相差很大時，說明有一個概念很可能被模型忽略了，于是就需要相應(yīng)地調(diào)整 N 的取值。由于 N 的取值與概念在圖中出現(xiàn)概率之間的關(guān)系是正相關(guān)的，因此這一調(diào)整過程是由二分查找來完成的。
最后，我們使用 MoCE 以及各種 baseline 模型在收集到的數(shù)據(jù)集上進行了廣泛的實驗，并展示了以 “茶杯中的冰可樂” 為首的可視化修復結(jié)果，以及在整個數(shù)據(jù)集上人類專家評估的結(jié)果對比。和幾種 baseline 模型相比，我們提出的 MoCE 方法顯著地降低了第 5 級 LC-Mis 概念對的占比。另外值得注意的是，MoCE 的性能在一定程度上甚至超越了需要大量數(shù)據(jù)標注成本的 Dall?E 3（2023 年 10 月版本）：
此外，正如在上文中提到的，現(xiàn)有的自動化評價指標在 “茶杯中的冰可樂” 這一新問題上存在一定缺陷。我們首先仔細挑選了一些帶把的透明玻璃杯圖像，它們雖然具有茶杯的形狀，但是由于其透明玻璃的材質(zhì)而不能稱之為茶杯。我們將這些圖像與 MoCE 生成的 “茶杯中的冰可樂” 圖像進行了對比，如下圖所示：
我們使用了兩種當前流行的評價指標，Clipscore 和 Image-Reward，來計算圖像與 “冰可樂” 之間的契合程度。圖像與冰可樂的契合程度越高，得分就越高。然而，這兩種評價指標均對茶杯中的冰可樂給予了明顯更低的評分，而對透明玻璃杯中的冰可樂賦予了明顯更高的評分。因此，這表明現(xiàn)有的自動化評價指標可能無法識別出茶杯中的冰可樂，因為其模型內(nèi)部仍存在 “冰可樂 = 冰塊 + 可樂 + 玻璃杯” 的偏見，從而導致其無法有效參與 LC-Mis 問題的評價。
總的來說，我們受到 “茶杯中的冰可樂” 例子的啟發(fā)，介紹了一種文本圖像不對齊問題的新分支，即包含隱藏概念的不對齊問題 (LC-Mis)。我們在大語言模型和文生圖模型的幫助下，開發(fā)了一個系統(tǒng)來收集 LC-Mis 概念對。接下來，我們受到人類繪畫規(guī)律的啟發(fā)，將繪畫順序引入 diffusion models 的采樣過程，提出了 MoCE 的方法，緩解了 LC-Mis 問題。最后，我們還通過代表例子 “茶杯中的冰可樂” 展示了當下文本圖像對齊問題的評價指標存在的缺陷。在未來的工作中，我們將持續(xù)深入研究生成式 AI 技術(shù)，推動 AI 更好地滿足人類的實際需求，通過不斷的努力和創(chuàng)新，我們期待見證 AI 在理解和再現(xiàn)人類創(chuàng)造力方面的突破。
本文轉(zhuǎn)自 機器之心 ，作者：機器之心
