clip|OpenAI又出一文本生成图像模型，参数比DALL·E少85亿，质量更真

OpenAI刚刚推出了一个新的文本生成图像模型，名叫GLIDE。

文章插图
相比今年年初诞生的大哥DALL·E，它只有35亿参数（DALL·E有120亿）。
规模虽然小了，质量却不赖。
大家仔细看这效果，“使用计算器的刺猬”、“星空下的狐狸”、“彩色玻璃窗风格的熊猫吃竹子”、“太空升降舱蜡笔画”：

文章插图
是不是很像样儿？
一位码农兼艺术家的网友则形容它“和真的难以区分”。

文章插图
【 clip|OpenAI又出一文本生成图像模型，参数比DALL·E少85亿，质量更真】GLIDE在人类评估员的打分中，确实PK掉了使用CLIP给图片排序的DALL·E。

文章插图
最有趣的是，这个GLIDE似乎具有“智力”——会否决你画出八条腿的猫的主意，也不认为老鼠可以捕食狮子。

文章插图
OpenAI岁末新作GLIDEGLIDE全称Guided Language to Image Diffusion for Generation and Editing，是一种扩散模型（diffusion model）。
扩散模型最早于2015提出，它定义了一个马尔可夫链，用于在扩散步骤中缓慢地向数据添加随机噪声，然后通过学习逆转扩散过程从噪声中构建所需的数据样本。
相比GAN、VAE和基于流的生成模型，扩散模型在性能上有不错的权衡，最近已被证明在图像生成方面有很大的潜力，尤其是与引导结合来兼得保真度和多样性。

文章插图
△扩散模型与其他三种生成模型的对比
研究人员训练了一个64×64分辨率的文本条件扩散模型，参数35亿；以及一个256×256分辨率的文本条件上采样扩散模型，参数15亿。
模型有两种引导形式来获得更好的生成效果：无分类器引导（classifier-free guidance）和CLIP引导。
对于CLIP引导，他们还训练了一个噪声感知的64×64 ViT-L CLIP模型 (vit)。
模型采用了SOTA论文《Improved Denoising Diffusion Probabilistic Models》（改进的去噪扩散概率模型）的架构，使用文本条件信息对其进行增强。
对于每个带噪图像xt和相应的提示文本caption，该模型预测出p(xt-1|xt，caption)。
为了对文本进行条件处理，模型还将文本编码为K个token的序列，并将这些token馈送到Transformer中，此Transformer的输出有两个用处：
1、在ADM模型中使用最终token embedding来代替class embedding;
2、token embedding的最后一层在整个ADM模型中分别映射每个注意层的维度，然后连接到每个层的注意上下文。
研究人员在与DALL·E相同的数据集上训练GLIDE，batch size为2048，共经过250万次迭代；对于上采样模型，则进行了batch size为512的160万次迭代。
这些模型训练稳定，总训练计算量大致等于DALL·E。
在初始训练完成之后，研究人员还微调了基础模型以支持无条件图像生成。
训练过程与预训练完全一样，只是将20%的文本token序列替换为空序列。这样模型就能既保留文本条件生成的能力，也可以无条件生成。
为了让GLIDE在图像编辑任务中产生不必要的伪影，研究人员在微调时将GLIDE训练样本的随机区域擦除，其余部分与掩码通道一起作为附加条件信息输入模型。

文章插图
相比DALL·E，GLIDE的效果更逼真

定性实验