语言模型部分使用的是谷歌自己的T5-XXL编码器 ， 将训练好的文本冻结 。
图像生成部分则是一系列扩散模型 ， 先生成低分辨率图像 ， 再逐级超采样 。

谷歌的T5-XXL有46亿个参数 ， 而扩大文本编码器的规模 ， 可以有效改善文本到图像的对应关系 ， 和图像的保真度 。
此外 ， Imagen还使用了另一种称为noise conditioning augmentation的扩散技术 ， 帮助模型学习已添加的噪声量 ， 从而提高图像的还原性 。
对比来看 ， Imagen似乎比DALL·E更具有“写实”的特点：

目前 ， 在Imagen官网上已涌现出各种新奇的图像 。
有人给浣熊戴上了宇航员头盔 。

泰迪熊在这里开始游蝶泳 。

还有老鹰型的巧克力冰淇淋（嗯 ， 还挺应景） 。

截至目前 ， Imagen和DALL·E都还在调试阶段 ， 尚未向公众开放 。
One More Thing这次《虎戴VR》AI作画大战中 ， 也不乏有失败的作品 。
例如有网友就给出了用DALL·E mini来生成的示例 。

不难看出 ， 在这版中的《虎戴VR》中 ， 并没有任何VR的出现 ， 而且老虎的面部基本上都是模糊不清 。
据网友描述 ， 他在生成的过程中 ， 只是把“北宋”改成了“南宋”：

画作最难的“形象性” ， 在这次有所下降 。