论文地址：Hierarchical Text-Conditional Image Generation with CLIP Latents

赏析大师

Hierarchical Text-Conditional Image Generation with CLIP Latents

看一下标题啊，使用CLIP出来的特征来做一个层级式的文本到图像的生成器。

我们可以获得三个线索：

1. 用到了CLIP模型

   CLIP模型作为DALL·E 2的基础，先找到图片文本之间的关联。真个DALL·E 2模型都离不开CLIP。

   • 在DALL·E 2中给定一个文本，CLIP就可以对文本编码获得对应的特征。

   • DALL·E 2有一个prior模型，输入是文本特征，输出是图像特征。

   • 把获得的图像特征传给DALL·E 2的解码器，就可以生成图像了。

   CLIP对DALL·E 2来说很重要，不了解的可以先看一下介绍CLIP的文章：[CLIP打通文本图像壁垒，为AI图像生成打下

2. 层级式

   层级式是因为DALL·E 2先生成一个64×64的图像，再使用一个模型上采样生成一个256×256，你以为这就完了吗，还有一个模型继续上采样到1024×1024，所以最后DALL·E生成出来的是一个1024×1024的高清大图。

3. 文本到图像生成

   这个就没什么可说的了，现在text to image生成的工作发展地如火如荼。

DALL·E 2是什么

之前OpenAI的CLIP已经做的挺好的了，既能获取到文本对应图片语义信息又能获取到图片的风格信息，既然信息已经可以抽取地这么好了，那只拿着它去做分类是不是很可惜，所以能不能多加利用呢？

为了能充分发挥CLIP的优势，所以作者尝试使用CLIP获得的特征去做图像的生成，因此他们做了一个两阶段的模型。

• prior：给定一个文本caption产生一个和CLIP模型类似的图像嵌入表示（image embedding）

• decoder：通过图像嵌入表示解码生成对应的图像

prior

prior要做的是拿到一个caption之后将其转换为文本嵌入，然后再将其转化成图片嵌入。

这里用的是一个预训练好的CLIP模型（图片虚线的上半部分）。我们知道CLIP模型是有两部分的，一个文本编码器和一个图像编码器。

看一下图片虚线的下半部分：

• caption → text embedding这一步用的是CLIP的文本编码器

• 然后prior的另一部分的作用是text embedding → image embedding

CLIP的图像编码器出来的结果在这里作为prior出来的结果的ground truth。

作者在这里提了一下，使用prior生成image embedding可以提高图像生成的多样性。此外prior的设计还有一个原因：对于同一个caption，可能会有无数的图片与之对应，因此CLIP两个编码器输出的内容并不是完全一致的，因此在这里需要一个单独的prior模型将文本嵌入“翻译”为可能与之相匹配的图像嵌入。

decoder

这一部分就是用的扩散模型。使用扩散模型可以保证图像生成的多样性。基于给定图像的特征可以生成多种多样的图片，还能保证语义信息和风格。

在这里作者是做了实验，尝试使用了自回归模型和扩散模型，最后还是发现扩散模型比较香，效率又高生成效果又好。

论文方法介绍

数据集

令 和CLIP模型一样，训练数据集也是图片和文本对$pair(x,y)$。给定图片$x$，令$z_i$是CLIP出来的图像嵌入表示，$z_t$为CLIP出来的文本嵌入表示，整个DALL·E 2模型就可以拆解成两部分：

1. prior：$P(z_i|y)$，根据输入文本$y$产生图像的嵌入表示$z_i$。

2. decoder：$P(x|z_i,y)$，根据文本$y$和prior得到的图像嵌入表示$z_i$重建图片$x$。当然文本$y$也可以不加的。

整个过程的数学表示为：

$$ P(x \mid y)=P\left(x, z_i \mid y\right)=P\left(x \mid z_i, y\right) P\left(z_i \mid y\right) $$

decoder

Guidance

对于扩散模型，为了提高其评价指标的数值表现和加速采样，研究人员已经探讨出多种多样的引导扩散的技巧，集体可以看这里：Guidance，让扩散模型的指标更能打

在DALL·E 2的decoder中用的方法是CLIP guidance + classifier-free guidance。就是说DALL·E 2中的guidance可能来自于文本，也可能来自于CLIP模型， 在这里随机将10%的CLIP的特征表示设置为$\phi$，在训练过程中随机去掉50%的文本caption。

层级式生成

这里就是为了提高生成图片的质量，先用模型生产64 × 64 的小图，再使用两个上采样模型，使分辨率逐步提高到256 × 256，1024×1024。

为了提高训练的稳定性，训练过程中加了很多噪声。在网络结构上，由于用的都是U-Net，使用的都是卷积操作，不是使用Transformer，因此训练出来的模型可以用在任意大小的图上， 而不再需要考虑图像编码的长短。

prior

作者在这里使用了两种模型：

自回归模型（autoregressive） prior：

自回归是输入文本特征，加上CLIP的图像特征去做生成，这样不断去预测就可以了。但是之前讲CLIP的时候我们就提到，OpenAI的人已经意识到训练预测式的模型效率很低。为了让训练变得更快速，他们还用了很多加速技巧。总之就是很麻烦，论文中也没详细写，这里就不多赘述。对于自回归模型为什么不太行以及不了解CLIP的可以看：CLIP打通文本图像壁垒，为AI图像生成打下基础

扩散模型（Diffusion） prior：

因为prior的输入输出都是embedding，所以在这里扩散模型的网络用的就不是U-Net了，而是直接训练的一个只用decoder的Transformer，用来处理序列信息。

这里的输入很多：

• encoded text：编码之后的输入文本

• CLIP text embedding：CLIP 模型计算的文本的嵌入表示

• embedding for the diffusion timestep： 当前扩散模型的时间步

• noised CLIP image embedding：带噪的CLIP 图像嵌入表示

• a Transformer embedding：Transformer 自己的嵌入特征表示

这些所有的输出组合起来，拿去预测没加过CLIP嵌入特征的图像的表示。其他的就和普通的扩散模型完全一样了。

目标函数用的是：

$$ L_{\text {prior }}=\mathbb{E}{t \sim[1, T], z_i^{(t)} \sim q_t}\left[\left|f\theta\left(z_i^{(t)}, t, y\right)-z_i\right|^2\right] $$

这里发现最后算目标函数用的是$z_i$，而不是预测噪声，因为在DALL·E 2中作者发现很有趣的一点是DDPM之后优化了扩散模型，大家都从预测图像转变到了预测噪声上，但是在这个实验里作者发现直接去预测特征得到的效果会更好。

以上就是整个DALL·E 2 模型的方法介绍。图像生成这边的模型很难画框架，不看代码的话很难把握整体方法，所以感兴趣的可以自己去再去过一下代码。当然了，不用找代码了DALL·E 2不开源，所以大家只可意会了。