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( 二 )

研究人员首先比较了GLIDE两种不同的引导策略：CLIP引导和无分类器引导。
分别用XMC-GAN、DALL·E（使用CLIP重排256个样本，从中选择最佳结果）和CLIDE模型（CLIP引导/无分类器引导）在相同的文本条件下生成了一些结果。
CLIDE模型的结果未经挑选。

文章插图
可以发现，无分类器引导的样本通常比CLIP引导的看起来更逼真，当然，两者都胜过了DALL·E。
对于复杂的场景，CLIDE可以使用修复功能进行迭代生成：比如下图就是先生成一个普通客厅，再加画、加茶几、加花瓶……

文章插图
此外，CLIDE还可以在SDedit模型上利用草图与文本相结合的方式，对图像进行更多受控修改。

文章插图

定量实验

研究人员首先通过衡量质量和保真度的帕累托边界（Pareto frontier）来评估无分类引导和CLIP引导之间的差异。

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

文章插图
在前两组曲线中，可以发现无分类器引导几乎都是最优的——不管是在准确率/召回率上，还是在IS/FID距离上。
而在绘制CLIP分数与FID的关系时，出现了完全相反的趋势。
研究人员假设这是CLIP引导正在为评估CLIP模型寻找对抗性示例，而并非真正优于无分类器引导。为了验证这一假设，他们聘请了人工评估员来判断生成图像的质量。
在这个过程中，人类评估者会看到两个256×256的图像，选择哪个样本更好地匹配给定文本或看起来更逼真。如果实在分辨不出，每个模型各得一半分数。
结果如下：

文章插图
无分类器引导产生了更符合相应提示的高质量样本。
同时，研究人员也将CLIDE与其他生成模型的质量进行了评估：CLIDE获得了最有竞争力的FID分数。

文章插图
再将GLIDE与DALL-E进行人工评估。
包含三种比法：两种模型都不使用CLIP重排序；仅对DALL·E使用CLIP重排序；对DALL-E使用CLIP重排序，并通过DALL-E使用的离散VAE映射GLIDE样本。
结果是不管哪种配置，人类评估员都更倾向于GLIDE的结果（每项第一行代表GLIDE）。

文章插图
当然，说这么多，GLIDE也有它的不足，就如开头的例子，它没法画出不合常理的“八条腿的猫”，也就是有智力但缺乏想象力。
此外，未优化的GLIDE需要15秒才能在单张A100 GPU上生成一张图像，这比GAN慢多了。
最后，po一张我们在官方发布的Colab链接上亲手试的一张效果，还凑合（an illustration of a rabbit，demo上的模型比较小）：

文章插图
论文地址：
https://arxiv.org/abs/2112.10741
GitHub地址(是一个在过滤后的数据集上训练的小模型)：
https://github.com/openai/glide-text2im
Colab试玩：
https://colab.research.google.com/github/openai/glide-text2im/blob/main/notebooks/text2im.ipynb#scrollTo=iuqVCDzbP1F0
— 完 —
量子位 QbitAI · 头条号签约