效率碾壓DALL·E 2和Imagen，谷歌新模型達(dá)成新SOTA，還能一句話搞定PS

alex 2023-01-07 13:51:04 來(lái)源：量子位

Alex 羿閣 發(fā)自 凹非寺

量子位 | 公眾號(hào) QbitAI

新年伊始，谷歌AI又開始發(fā)力文字-圖像生成模型了。

這次，他們的新模型Muse（繆斯）在CC3M數(shù)據(jù)集上達(dá)成了新SOTA（目前最佳水平）。

而且其效率遠(yuǎn)超火爆全球的DALL·E 2和Imagen?（這倆都屬于擴(kuò)散模型），以及Parti?（屬于自回歸模型）。

——單張512×512分辨率圖像的生成時(shí)間被壓縮到僅1.3秒。

在圖像編輯方面，只需一句文字指令，就可以對(duì)原始圖像進(jìn)行編輯。

（貌似不用再為學(xué)ps頭禿了~）

如果想要效果更精準(zhǔn)，還能選定遮罩位置，編輯特定區(qū)域。比如，把背景的建筑換成熱氣球。

Muse一經(jīng)官宣，很快吸引了大波關(guān)注，目前原貼已收獲4000+點(diǎn)贊。

看到谷歌的又一力作，有人甚至已經(jīng)開始預(yù)言：

現(xiàn)在AI開發(fā)者的競(jìng)爭(zhēng)非常激烈，看來(lái)2023將是非常精彩的一年。

比DALL·E 2和Imagen更高效

說(shuō)回谷歌剛剛公開的Muse。

首先，就生成圖片的質(zhì)量來(lái)說(shuō)，Muse的作品大都畫質(zhì)清晰、效果自然。

來(lái)看看更多例子感受一下~

比如戴著毛線帽的樹懶寶寶正在操作電腦；再比如酒杯中的一只羊：

平時(shí)八竿子打不著的各種主體，在一張圖里和諧共存，沒啥違和感。

要是你覺得這些還只能算AIGC的基操，那不妨再看看Muse的編輯功能。

比如一鍵換裝（還能換性別）：

這既不需要加什么遮罩，還能一句話搞定。

而如果用上遮罩的話，就能實(shí)現(xiàn)更6的操作，包括一鍵切換背景，從原地切換到紐約、巴黎、再到舊金山。

還能從海邊到倫敦、到花海，甚至飛到太空中的土星環(huán)上，玩一把刺激的滑板海豚跳。

（好家伙，不僅能輕松云旅游，還能一鍵上天……）

效果著實(shí)挺出色。那Muse背后都有哪些技術(shù)支持？為什么效率比DALL·E 2和Imagen更高？

一個(gè)重要的原因是，DALL·E 2和Imagen在訓(xùn)練過(guò)程中，需要將所有學(xué)到的知識(shí)都存儲(chǔ)在模型參數(shù)中。

于是，它們不得不需要越來(lái)越大的模型、越來(lái)越多的訓(xùn)練數(shù)據(jù)來(lái)獲取更多知識(shí)——將Better和Bigger綁在了一起。

代價(jià)就是參數(shù)量巨大，效率也受到了影響。

而據(jù)谷歌AI團(tuán)隊(duì)介紹，他們采用的主要方法名曰：掩碼圖像建模?（Masked image modeling）。

這是一種新興的自監(jiān)督預(yù)訓(xùn)練方法，其基本思想簡(jiǎn)單來(lái)說(shuō)就是：

輸入圖像的一部分被隨機(jī)屏蔽掉，然后通過(guò)預(yù)訓(xùn)練文本任務(wù)進(jìn)行重建。

Muse模型在離散標(biāo)記的空間掩碼上訓(xùn)練，并結(jié)合從預(yù)訓(xùn)練語(yǔ)言大模型中提取的文本，預(yù)測(cè)隨機(jī)遮蔽的圖像標(biāo)記。

從上到下依次為：預(yù)訓(xùn)練的文本編碼器、基礎(chǔ)模型、超分辨率模型

谷歌團(tuán)隊(duì)發(fā)現(xiàn)，使用預(yù)先訓(xùn)練好的大語(yǔ)言模型，可以讓AI對(duì)語(yǔ)言的理解更加細(xì)致透徹。

就輸出而言，由于AI對(duì)物體的空間關(guān)系、姿態(tài)等要素把握得很不錯(cuò)，所以生成的圖像可以做到高保真。

與DALL·E 2、Imagen等像素空間的擴(kuò)散模型相比，Muse用的是離散的token，并且采樣迭代較少。

另外，和Parti等自回歸模型相比，Muse使用了并行解碼，效率也更高。

FID上獲SOTA得分

前文提到，Muse不僅在效率上取得了提升，在生成圖像質(zhì)量上也非常優(yōu)秀。

研究者把它與DALL·E、LAFITE、LDM、GLIDE、DALL·E 2，以及谷歌自家的Imagen和Parti進(jìn)行PK，測(cè)試了它們的FID和CLIP分?jǐn)?shù)。

（FID分?jǐn)?shù)用于評(píng)估生成圖像的質(zhì)量，分?jǐn)?shù)越低質(zhì)量越高；CLIP分?jǐn)?shù)則代表文本與圖像的契合程度，分?jǐn)?shù)越高越好。）

結(jié)果顯示，Muse-3B模型在COCO驗(yàn)證集中的zero-shot FID-30K得分為7.88，僅次于參數(shù)更大的Imagen-3.4B和Parti-20B模型。

更優(yōu)秀的是，Muse-900M模型在CC3M數(shù)據(jù)集上實(shí)現(xiàn)了新的SOTA，F(xiàn)ID得分為6.06，這也意味著它與文字的匹配度是最高的。

同時(shí)，該模型的CLIP分?jǐn)?shù)為0.26，也達(dá)到了同期最高水平。

除此之外，為了進(jìn)一步證實(shí)Muse的出圖效率，研究者還對(duì)比了Muse與其他模型的單張圖像生成時(shí)間：

在256×256、512×512的分辨率上Muse均達(dá)到了最快速度：0.5s和1.3s。

研究團(tuán)隊(duì)

Muse的研究團(tuán)隊(duì)來(lái)自谷歌，兩位共同一作分別是Huiwen Chang和Han Zhang。

Huiwen Chang，現(xiàn)為谷歌高級(jí)研究員。

她本科就讀于清華大學(xué)，博士畢業(yè)于普林斯頓大學(xué)，有過(guò)在Adobe、Facebook等的實(shí)習(xí)經(jīng)歷。

Han Zhang，本科畢業(yè)于中國(guó)農(nóng)業(yè)大學(xué)，碩士就讀于北京郵電大學(xué)，后在羅格斯大學(xué)取得了計(jì)算機(jī)科學(xué)博士學(xué)位。

其研究方向是計(jì)算機(jī)視覺，深度學(xué)習(xí)和醫(yī)學(xué)圖像分析等。

不過(guò)值得一提的是，目前Muse還沒有正式發(fā)布。

有網(wǎng)友調(diào)侃，雖然它應(yīng)該很香，但以谷歌的“尿性”，Muse離正式發(fā)布可能還有很長(zhǎng)時(shí)間——畢竟他們還有18年的AI都沒發(fā)呢。

話說(shuō)回來(lái)，你覺得Muse的效果怎么樣？

對(duì)于其正式發(fā)布之事，有木有一點(diǎn)期待？

傳送門：https://muse-model.github.io/

參考鏈接：https://twitter.com/AlphaSignalAI/status/161040458996618036012