?DALL-E 2剛發(fā)布的時候，生成的畫作幾乎能完美復現(xiàn)輸入的文本，高清的分辨率、強大的繪圖腦洞也是讓各路網(wǎng)友直呼「太炫酷」。

但最近哈佛大學的一份新研究論文表明，盡管DALL-E 2生成的圖像很精致，但它可能只是把文本中的幾個實體粘合在一起，甚至都沒有理解文本中表述的空間關系！

論文鏈接：https://arxiv.org/pdf/2208.00005.pdf

數(shù)據(jù)鏈接：https://osf.io/sm68h/

比如說給出一句文本提示為「A cup on a spoon」，可以看到DALL-E 2生成的圖像中，可以看到有部分圖像就沒有滿足「on」關系。

 但在訓練集中，DALL-E 2可能見到的茶杯和勺子的組合都是「in」，而「on」則比較少見，所以在兩種關系的生成上，準確率也并不相同。

所以為了探究DALL-E 2是否真的能理解文本中的語義關系，研究人員選擇了15類關系，其中8個為空間關系（physical relation），包括in, on, under, covering, near, occluded by, hanging over和tied to；7個動作關系（agentic relation），包括pushing, pulling, touching, hitting, kicking, helping和hindering.

文本中的實體集合限制為12個，選取的都是簡單的、各個數(shù)據(jù)集中常見的物品，分別為：box, cylinder, blanket, bowl, teacup, knife; man, woman, child, robot, monkey和iguana（鬣蜥）.

對于每類關系，創(chuàng)建5個prompts，每次隨機選擇2個實體進行替換，最終生成75個文本提示。提交到DALL-E 2渲染引擎后，選擇前18張生成圖像，最終獲得1350張圖像。

隨后研究人員從180名標注人員中通過常識推理測試選拔出169名參與到標注的過程。

實驗結果發(fā)現(xiàn)，DALL-E 2生成的圖像和用于生成圖像的文本提示之間一致性的平均值在75個prompt中僅為22.2%

 不過很難說DALL-E 2到底是否真正「理解」了文本中的關系，通過觀察標注人員的一致性評分，按照0％、25％和50％的一致同意閾值來看，對每個關系進行的Holm-corrected的單樣本顯著性檢驗表明，所有15個關系的參與者同意率在α = 0.95（pHolm < 0.05）時都明顯高于0%；但只有3個關系的一致性明顯高于25%，即touching, helping和kicking，沒有關系的一致性高于50%。

所以即使不對多重比較進行校正，事實就是DALL-E 2生成的圖像并不能理解文本中兩個物體的關系。

 結果還表明，DALL-E在把兩個不相關物體聯(lián)系在一起的能力可能沒有想象中那么強，比如說「A child touching a bowl」的一致性達到了87%，因為在現(xiàn)實世界中的圖像，孩子和碗出現(xiàn)在一起的頻率很高。

 而「A monkey touching an iguana」生成的圖像，最終一致率只有11%，而且在渲染出來的圖像中甚至會出現(xiàn)物種錯誤。

 所以DALL-E 2中的圖像部分類別是開發(fā)較完善的，比如孩子與食物，但有些類別的數(shù)據(jù)中還需要繼續(xù)訓練。

不過當前DALL-E 2在官網(wǎng)上還是主要展示其高清晰度和寫實風格，還沒有搞清楚其內(nèi)在到底是把兩個物體「粘在一起」，還是真正理解文本信息后再進行圖像生成。

研究人員表示，關系理解是人類智力的基本組成部分，DALL-E 2在基本的空間關系方面表現(xiàn)不佳（例如on，of）表明，它還無法像人類一樣如此靈活、穩(wěn)健地構建和理解這個世界。

不過網(wǎng)友表示，能開發(fā)出「膠水」把東西粘在一起已經(jīng)是一個相當偉大的成就了！DALL-E 2并非AGI，未來仍然有很大的進步空間，至少我們已經(jīng)開啟了自動化生成圖像的大門！

 DALL-E 2還有啥問題？

 實際上，DALL-E 2一發(fā)布，就有大量的從業(yè)者對其優(yōu)點與缺陷進行了深入剖析。

博客鏈接：https://www.lesswrong.com/posts/uKp6tBFStnsvrot5t/what-dall-e-2-can-and-cannot-do

用GPT-3寫小說略顯單調(diào)，DALL-E 2可以為文本生成一些插圖，甚至對長文本生成連環(huán)畫。

比如說DALL-E 2可以為圖片增加特征，如「A woman at a coffeeshop working on her laptop and wearing headphones, painting by Alphonse Mucha」，可以精確生成繪畫風格、咖啡店、戴耳機、筆記本電腦，等等。

 但如果文本中的特征描述涉及兩個人，DALL-E 2可能就會忘了哪些特征屬于哪個人物，比如輸入文本為：

a young dark-haired boy resting in bed, and a grey-haired older woman sitting in a chair beside the bed underneath a window with sun streaming through, Pixar style digital art.

一個年輕的黑發(fā)男孩躺在床上，一個灰頭發(fā)的老婦坐在窗戶下面的床旁邊的椅子上，陽光穿過，皮克斯風格的數(shù)字藝術。

 可以看到，DALL-E 2可以正確生成窗戶、椅子和床，但在年齡、性別和頭發(fā)顏色的特征組合上，生成的圖像略顯迷茫。

另一個例子是讓「美國隊長和鋼鐵俠并排站」，可以看到生成的結果很明顯具有美國隊長和鋼鐵俠的特征，但具體的元素卻安在了不同的人身上（比如鋼鐵俠帶著美國隊長的盾牌）。

如果是特別細節(jié)的前景與背景，模型可能也無法生成。

比如輸入文本是：

Two dogs dressed like roman soldiers on a pirate ship looking at New York City through a spyglass.

兩只狗在海盜船上像羅馬士兵一樣用小望遠鏡看紐約市。

這回DALL-E 2直接就罷工了，博文作者花了半個小時也沒搞定，最終需要在「紐約市和海盜船」或「帶著望遠鏡、穿著羅馬士兵制服的狗」之間進行選擇。

Dall-E 2可以使用通用的背景來生成圖像，比如城市、圖書館中的書架，但如果這不是圖像的主要重點，那么想要獲得更細的細節(jié)往往會變得非常難。

盡管DALL-E 2能生成常見的物體，比如各種花里胡哨的椅子，但要是讓它生成一個「奧拓自行車」，結果生成的圖片和自行車有點像，又不完全是。

 而谷歌圖片下搜索的Otto Bicycle則是下面這樣的。

 DALL-E 2也無法拼寫，但偶爾也會完全巧合地正確拼寫出一個單詞，比如讓它在停車標志上寫下STOP

雖然模型確實能生成一些「可識別」的英語字母，但連起來的語義和預期的單詞還有差別，這也是DALL-E 2不如第一代DALL-E的地方。

 在生成樂器相關的圖像時，DALL-E 2似乎是記住了人手在演奏時的位置，但沒有琴弦，演奏起來稍顯尷尬。

 DALL-E 2還提供了一個編輯功能，比如生成一個圖像后，可以使用光標突出顯示其區(qū)域，并添加修改的完整說明即可。

但這項功能并非一直有效，比如想給原圖加個「短發(fā)」，編輯功能總是能在奇怪的地方加點東西。

 技術還在不斷更新發(fā)展，期待DALL-E 3！