本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

在讓AI搞創(chuàng)作這件事上，谷歌和OpenAI正面剛起來了。

這不，震驚全網(wǎng)的DALL·E 2才新鮮出爐一個(gè)月，谷歌就派出名為Imagen的選手來打擂臺。

直接上圖對比，左邊是谷歌Imagen選手眼中的“貓貓絆倒人類雕像”，右邊則是DALL·E 2選手的同題創(chuàng)作。

你覺得哪一位選手的作品更符合題意？

而讓網(wǎng)友們直呼“DALL·E 2這就過時(shí)了？”的，還不只是這種正面PK的刺激。

看到這么一張照片，如果不說是AI生成的，是不是要先感嘆一句兩腳獸的擺拍技術(shù)越來越高超了？

輸入“折紙作品：一只狐貍和一只獨(dú)角獸在飄雪的森林里”，Imagen創(chuàng)作出的畫面則是醬嬸的：

還可以試試把文字寫得長一點(diǎn)。

比如《一只非?？鞓返拿仔茇埓虬绯闪嗽趶N房里做面團(tuán)的廚師的高對比度畫像，他身后的墻上還有一幅畫了鮮花的畫》…（啊先讓我喘口氣）

Imagen也輕松拿下，要素齊全：

看到這，機(jī)器學(xué)習(xí)圈的網(wǎng)友反應(yīng)是這樣的：

不是吧，這才一個(gè)月就又更新?lián)Q代了？

求求別再震驚我了。

這事兒熱度一起，很快就破了圈。

吃瓜群眾們立刻就想到一塊去了。

以后可能沒圖庫網(wǎng)站什么事兒了。

那么這個(gè)來自谷歌的新AI，又掌握了什么獨(dú)家秘技？

具體詳情，我們一起接著往下看。

增強(qiáng)「理解」比優(yōu)化「生成」更重要

文本到圖像生成我們之前介紹過不少，基本都是一個(gè)套路：

CLIP負(fù)責(zé)從文本特征映射到圖像特征，然后指導(dǎo)一個(gè)GAN或擴(kuò)散模型生成圖像。

但谷歌Imagen這次有個(gè)顛覆性的改變——

使用純語言模型只負(fù)責(zé)編碼文本特征，把文本到圖像轉(zhuǎn)換的工作丟給了圖像生成模型。

語言模型部分使用的是谷歌自家的T5-XXL，訓(xùn)練好后凍結(jié)住文本編碼器。

圖像生成部分則是一系列擴(kuò)散模型，先生成低分辨率圖像，再逐級超采樣。

這樣做最大的好處，是純文本訓(xùn)練數(shù)據(jù)要比高質(zhì)量圖文對數(shù)據(jù)容易獲取的多。

T5-XXL的C4訓(xùn)練集包含800GB的純文本語料，在文本理解能力上會比用有限圖文對訓(xùn)練的CLIP要強(qiáng)。

這一點(diǎn)也有著實(shí)驗(yàn)數(shù)據(jù)做支撐，人類評估上，T5-XXL在保真度和語義對齊方面表現(xiàn)都比CLIP要好。

在實(shí)驗(yàn)中谷歌還發(fā)現(xiàn)，擴(kuò)大語言模型的規(guī)模對最后效果影響更大，超過擴(kuò)大圖像生成模型的影響。

看到這有網(wǎng)友指出，谷歌最后采用的T5-XXL參數(shù)規(guī)模還不到最新PaLM語言模型5400億參數(shù)的1%，如果用上PaLM，又會是啥樣？

除了語言模型部分的發(fā)現(xiàn)，谷歌通過Imagen的研究對擴(kuò)算模型作出不少優(yōu)化。

首先，增加無分類器引導(dǎo)（classifier-free guidance）的權(quán)重可以改善圖文對齊，但會損害圖像保真度。

解決的辦法是每一步采樣時(shí)使用動(dòng)態(tài)閾值，能夠防止過飽和。

第二，使用高引導(dǎo)權(quán)重的同時(shí)在低分辨率圖像上增加噪聲，可以改善擴(kuò)散模型多樣性不足的問題。

第三，對擴(kuò)散模型的經(jīng)典結(jié)構(gòu)U-Net做了改進(jìn)，新的Efficient U-Net改善了內(nèi)存使用效率、收斂速度和推理時(shí)間。

對語言理解和圖像生成都做出改進(jìn)之后，Imagen模型作為一個(gè)整體在評估中也取得了很好的成績。

比如在COCO基準(zhǔn)測試上達(dá)到新SOTA，卻根本沒用COCO數(shù)據(jù)集訓(xùn)練。

在COCO測試的人類評估部分也發(fā)現(xiàn)了Imagen的一個(gè)缺點(diǎn)，不擅長生成人類圖像。

具體表現(xiàn)是，無人類圖像在寫實(shí)度上獲得更高的人類偏好度。

同時(shí)，谷歌推出了比COCO更有挑戰(zhàn)性的測試基準(zhǔn)DrawBench，包含各種刁鉆的提示詞。

實(shí)驗(yàn)發(fā)現(xiàn)，DALL·E 2難以準(zhǔn)確理解同時(shí)出現(xiàn)兩個(gè)顏色要求的情況，而Imagen就沒問題。

反常識情況，比如“馬騎著宇航員”兩者表現(xiàn)都不佳，只能畫出“宇航員騎著馬”。

但是Imagen對“一只熊貓?jiān)谧隹Х壤ā崩斫飧鼫?zhǔn)確，只錯(cuò)了一次。DALL·E 2則全都把熊貓畫進(jìn)了拉花圖案里。

△大概“馬騎著宇航員”有點(diǎn)反常識（狗頭）

對于要求圖像中出現(xiàn)文字的，也是Imagen做得更好。

除了最基本的把文字寫對以外，還可以正確給文字加上煙花效果。

AI畫畫越來越出圈

說起來，AI作畫這件事，最早便源起于谷歌。

2015年，谷歌推出DeepDream，開創(chuàng)了AI根據(jù)文本生成圖像的先河。

△DeepDream作品

但要說相關(guān)技術(shù)真正開“卷”、出圈，標(biāo)志性事件還得數(shù)2021年OpenAI的DALL·E橫空出世。

當(dāng)時(shí)，吳恩達(dá)、Keras之父等一眾大佬都紛紛轉(zhuǎn)發(fā)、點(diǎn)贊，DALL·E甚至被稱為2021年第一個(gè)令人興奮的AI技術(shù)突破。

隨后，語言理解模型和圖像生成模型多年來的技術(shù)進(jìn)展，便在“AI作畫”這件事上集中爆發(fā)，一系列CLIP+GAN、CLIP+擴(kuò)散模型的研究和應(yīng)用，頻頻在網(wǎng)絡(luò)上掀起熱潮。

從此一發(fā)不可收拾，技術(shù)更新迭代越來越快。

DALL·E 2剛發(fā)布的時(shí)候就有網(wǎng)友發(fā)起一個(gè)投票，問多長時(shí)間會出現(xiàn)新的SOTA。

當(dāng)時(shí)大多數(shù)人選了幾個(gè)月或1年以上。

但現(xiàn)在，Imagen的出現(xiàn)只用了6周。

隨著AI畫畫效果越來越強(qiáng)大，受眾范圍也不斷擴(kuò)大，突破技術(shù)圈進(jìn)入大眾視野。

前一陣，就有AI畫畫應(yīng)用登上蘋果App Store圖形與設(shè)計(jì)排行榜榜首。

現(xiàn)在最新的潮流，是各路設(shè)計(jì)師排隊(duì)申請Midjourney、Tiamat等商業(yè)化產(chǎn)品的內(nèi)測，刷爆社交網(wǎng)絡(luò)。

如此出圈，也給OpenAI和谷歌這樣的大公司帶來很大壓力。

出于AI倫理、公平性等方面考慮，DALL·E 2和Imagen都沒有直接開源或開放API。

各自也都在論文里有大篇幅涉及風(fēng)險(xiǎn)、社會影響力的內(nèi)容。

OpenAI選擇了內(nèi)測模式，而谷歌還在做進(jìn)一步研究和規(guī)范，等到確保AI不被濫用之后再擇機(jī)公開。

現(xiàn)在想體驗(yàn)Imagen的話，有一個(gè)在線Demo演示。

可以從給定的幾個(gè)提示詞中自由組合出不同場景。

快來試試吧～

Demo地址：
https://gweb-research-imagen.appspot.com

論文地址：
https://gweb-research-imagen.appspot.com/paper.pdf