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。

?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？

這個模型到底咋訓練出來的？

不用文字訓練也能根據(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)集進行訓練。

最后，再訓練一個自回歸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圖像。

經(jīng)過這樣的訓練后，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）生成對應的圖像標記（image tokens）了。

那這樣全程沒有文本數(shù)據(jù)參與訓練的文本-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Wang Zihao本科畢業(yè)于北京理工大學，博士畢業(yè)于UC伯克利，曾在谷歌擔任3年軟件開發(fā)工程師，現(xiàn)就職于TikTok。

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