字節(jié)最新文本生成圖像AI，訓(xùn)練集里居然沒有一張帶文字描述的圖片？！
這是怎么訓(xùn)練出來的？
一個文本-圖像對數(shù)據(jù)都不用，也能讓AI學會看文作圖？
來自字節(jié)的最新text2image模型，就做到了。
實驗數(shù)據(jù)顯示，它的效果比VQGAN-CLIP要真實，尤其是泛化能力還比不少用大量文本-圖像數(shù)據(jù)對訓(xùn)練出來的模型要好很多。
嗯？不給文字注釋AI怎么知道每一張圖片代表什么？
這個模型到底咋訓(xùn)練出來的？
不用文字訓(xùn)練也能根據(jù)文本生成圖像
首先，之所以選擇這樣一種方式，作者表示，是因為收集大量帶文字的圖像數(shù)據(jù)集的成本太高了。
而一旦擺脫對文本-圖像對數(shù)據(jù)的需求，我們就可以直接用大型無文本圖像數(shù)據(jù)集?（比如ImageNet）來訓(xùn)練強大且通用的text2image生成器。
字節(jié)實現(xiàn)的這個模型叫做CLIP-GEN，它具體是怎么操作的？
一共分三大步。
首先，對于一幅沒有文本標簽的圖像，使用CLIP的圖像編碼器，在語言-視覺（language-vision）聯(lián)合嵌入空間（embedding space）中提取圖像的embedding。
接著，將圖像轉(zhuǎn)換為VQGAN碼本空間（codebook space）中的一系列離散標記（token）。
也就是將圖像以與自然語言相同的方式進行表示，方便后續(xù)使用Transformer進行處理。
其中，充當image tokenizer角色的VQGAN模型，可以使用手里的無標記圖像數(shù)據(jù)集進行訓(xùn)練。
最后，再訓(xùn)練一個自回歸Transformer，用它來將圖像標記從Transformer的語言-視覺統(tǒng)一表示中映射出對應(yīng)圖像。
經(jīng)過這樣的訓(xùn)練后，面對一串文本描述，Transformer就可以根據(jù)從CLIP的文本編碼器中提取的文本嵌入（text embedding）生成對應(yīng)的圖像標記（image tokens）了。
那這樣全程沒有文本數(shù)據(jù)參與訓(xùn)練的文本-圖像生成器，效果到底行不行？
性能與清華CogView相當
作者分別在ImageNe和MSCOCO數(shù)據(jù)集上對CLIP-GEN進行訓(xùn)練和評估。
首先，用MS-COCO驗證集中的六個文本描述生成樣本。
CLIP-GEN和其他通過大量文本-圖像對訓(xùn)練的text2image生成模型的效果對比如下：
其中，VQGAN-CLIP的結(jié)果比較不真實，并且伴隨嚴重的形狀扭曲。
來自清華的CogView號稱比DALL-E更優(yōu)秀，在這里的實驗中，它確實可以生成良好的圖像結(jié)構(gòu)，但在紋理細節(jié)上差點兒事兒。
DF-GAN可以生成具有豐富細節(jié)的合理圖像，但也容易產(chǎn)生局部偽影。
作者認為，與這些對比模型相比，CLIP-GEN的圖像細節(jié)更豐富，質(zhì)量更高一些，比如它就很好地詮釋了第二組文字中要求的“水中倒影”（不過不太能理解“三只毛絨熊“中的數(shù)字概念）。
定量實驗結(jié)果基本證明了這一結(jié)論：
CLIP-GEN拿到了最高的FID-0、FID-1分數(shù)；CapS得分（衡量輸入文本和生成圖像之間的語義相似性）除了比CogView低4%，比其他模型都高很多。
此外，作者還發(fā)現(xiàn)，CLIP-GEN的泛化能力似乎也不錯。
在下面這組非常規(guī)的文字描述中，比如生成“一只會飛的企鵝”，“叼雪茄的狗”、“有臉和頭發(fā)的檸檬”……CLIP-GEN基本都可以實現(xiàn)，別的模型卻不太能理解。
作者介紹
本模型的五位作者全部來自字節(jié)。
一作名叫Wang Zihao。
通訊作者名叫易子立，本科畢業(yè)于南京大學，博士畢業(yè)于加拿大紐芬蘭紀念大學，目前在字節(jié)擔任人工智能專家（主要研究多模態(tài)、超分辨率、人臉特效），在此之前，他曾在華為工作。
論文地址：
https://arxiv.org/abs/2203.00386
- 北大開源最強aiXcoder-7B代碼大模型！聚焦真實開發(fā)場景，專為企業(yè)私有部署設(shè)計2024-04-09
- 剛剛，圖靈獎揭曉！史上首位數(shù)學和計算機最高獎“雙料王”出現(xiàn)了2024-04-10
- 8.3K Stars!《多模態(tài)大語言模型綜述》重大升級2024-04-10
- 谷歌最強大模型免費開放了！長音頻理解功能獨一份，100萬上下文敞開用2024-04-10
相關(guān)閱讀
博士意外發(fā)現(xiàn)秘密：DALL-E 2自創(chuàng)語言，人看不懂但能生成特定圖像，可能會被用來搞事！
“Apoploe vesrreaitais”代表鳥類
訓(xùn)練時間減半，性能不降反升！騰訊混元開源圖像生成高效強化方案MixGRPO
一種結(jié)合了SDE和ODE采樣的新型訓(xùn)練框架
