OpenAI 学会“你说我画”：参数缩水 2/3 性能却更强，还 get 局部编辑新技能

OpenAI 刚刚推出了一个新的文本生成图像模型，名叫 GLIDE。

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”：

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”。

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。

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。

OpenAI 岁末新作 GLIDE

GLIDE 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。

▲ 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。

相比 DALL・E，GLIDE 的效果更逼真

• 定性实验

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。

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……

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。

• 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。

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：

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。

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）。

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）：

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