字节跳动最新文本生成图像 AI,训练集里居然没有一张带文字描述的图片?!
消息来源:baojiabao.com 作者: 发布时间:2024-05-03
一个文本-图像对数据都不用,也能让 AI 学会看文作图?来自字节的最新 text2image 模型,就做到了。实验数据显示,它的效果比 VQGAN-CLIP 要真实,尤其是泛化能力还比不少用大量文本-图像数据对训练出来的模型要好很多。
嗯?不给文字注释 AI 怎么知道每一张图片代表什么?这个模型到底咋训练出来的?
不用文字训练也能根据文本生成图像
首先,之所以选择这样一种方式,作者表示,是因为收集大量带文字的图像数据集的成本太高了。而一旦摆脱对文本-图像对数据的需求,我们就可以直接用大型无文本图像数据集 (比如 ImageNet)来训练强大且通用的 text2image 生成器。字节实现的这个模型叫做 CLIP-GEN,它具体是怎么操作的?
一共分三大步。
首先,对于一幅没有文本标签的图像,使用 CLIP 的图像编码器,在语言-视觉(language-vision)联合嵌入空间(embedding space)中提取图像的 embedding。
接着,将图像转换为 VQGAN 码本空间(codebook space)中的一系列离散标记(token)。也就是将图像以与自然语言相同的方式进行表示,方便后续使用 Transformer 进行处理。其中,充当 image tokenizer 角色的 VQGAN 模型,可以使用手里的无标记图像数据集进行训练。
最后,再训练一个自回归 Transformer,用它来将图像标记从 Transformer 的语言-视觉统一表示中映射出对应图像。经过这样的训练后,面对一串文本描述,Transformer 就可以根据从 CLIP 的文本编码器中提取的文本嵌入(text embedding)生成对应的图像标记(image tokens)了。
那这样全程没有文本数据参与训练的文本-图像生成器,效果到底行不行?
性能与清华 CogView 相当
作者分别在 ImageNe 和 MSCOCO 数据集上对 CLIP-GEN 进行训练和评估。首先,用 MS-COCO 验证集中的六个文本描述生成样本。CLIP-GEN 和其他通过大量文本-图像对训练的 text2image 生成模型的效果对比如下:
其中,VQGAN-CLIP 的结果比较不真实,并且伴随严重的形状扭曲。来自清华的 CogView 号称比 DALL-E 更优秀,在这里的实验中,它确实可以生成良好的图像结构,但在纹理细节上差点儿事儿。DF-GAN 可以生成具有丰富细节的合理图像,但也容易产生局部伪影。
作者认为,与这些对比模型相比,CLIP-GEN 的图像细节更丰富,质量更高一些,比如它就很好地诠释了第二组文字中要求的"水中倒影"(不过不太能理解"三只毛绒熊"中的数字概念)。
定量实验结果基本证明了这一结论:
CLIP-GEN 拿到了最高的 FID-0、FID-1 分数;CapS 得分(衡量输入文本和生成图像之间的语义相似性)除了比 CogView 低 4%,比其他模型都高很多。
此外,作者还发现,CLIP-GEN 的泛化能力似乎也不错。在下面这组非常规的文字描述中,比如生成"一只会飞的企鹅","叼雪茄的狗"、"有脸和头发的柠檬"……CLIP-GEN 基本都可以实现,别的模型却不太能理解。
作者介绍
本模型的五位作者全部来自字节。
一作 Wang Zihao 本科毕业于北京理工大学,博士毕业于 UC 伯克利,曾在谷歌担任 3 年软件开发工程师,现就职于 TikTok。
通讯作者名叫易子立,本科毕业于南京大学,博士毕业于加拿大纽芬兰纪念大学,目前在字节担任人工智能专家(主要研究多模态、超分辨率、人脸特效),在此之前,他曾在华为工作。
论文地址:
https://arxiv.org/abs/2203.00386
2022-05-08 07:57:36相关文章
- 美国法院裁定阿里须为Squishmallows玩具侵权案答辩
2023-12-28 19:59:34
- 小米汽车传员工3700人 雷军称小米汽车不可能卖9万9
2023-12-28 19:41:57
- 国家新闻出版署:认真研究《网络游戏管理办法(草桉徵求意见稿)》关切 实行前进一步完善
2023-12-28 19:14:56
- 天猫新规可以无条件申请“仅退款”了?淘宝天猫又离狗多多零元购近了一步
2023-12-28 18:57:55
- 印度以打击金融犯罪为由逮捕了两名 vivo 高管
2023-12-26 16:49:01
- 在国外微信收不到国内信息?微信和WeChat将被拆分
2023-12-15 10:40:15
- 苹果iPhone15 系列手机发布最新消息 预计上市发布时间9月
2023-08-06 23:21:02
- 华为将发布鸿蒙HarmonyOS4操作系统 功能五大升级支持设备清单
2023-08-06 23:17:37
- 整治自媒体网红账号 400万粉丝网红发布擦边视频被无限期封禁
2023-07-12 09:56:09
- 网传微信文件传输助手是真人是真的吗?微信官方回应
2023-06-27 15:53:32
- 电信移动送手机成了“信用购”?你上了运营商的贷款套路了吗?
2023-06-12 17:18:55
- 中国电信广东地区崩了无信号 客服回应已在核实处理
2023-06-08 15:39:04
- 消息称小米新能源汽车价格表正讨论定价区间:双版本不同配置,高配或超 35 万元
2023-03-06 12:56:03
- 华为因制裁被传或分拆剥离手机业务? 内部人士回应:可能性不大.
2023-03-05 23:26:41
- OPPO正式发布安第斯智能云,让终端更智能
2023-02-24 16:02:27
- 华为与OPPO签订全球专利交叉许可协议 包括5G蜂窝通信专利
2023-02-24 16:02:26
- 老蛙将推MINI镜头新品:目前未知具体规格 官宣将于12月20日发布
2023-02-24 16:02:26
- 首发全新35mm定制光学系统 努比亚Z50性能同样强悍
2023-02-24 16:02:25
- Redmi K60屏幕细节曝光:全系标配2K护眼柔性直屏+5000mAh大容量电池
2023-02-24 16:02:25
- OPPO Find N2今天发 合金金属折叠屏更轻了
2023-02-24 16:02:24