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

　　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VQGANCLIP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CLIPGEN，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（languagevision）联合嵌入空间（embeddingspace）中提取图像的embedding。
　　接着，将图像转换为VQGAN码本空间（codebookspace）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imagetokenizer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（textembedding）生成对应的图像标记（imagetokens）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CLIPGEN进行训练和评估。首先，用MSCOCO验证集中的六个文本描述生成样本。CLIPGEN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，VQGANCLIP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DALLE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。DFGAN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，CLIPGEN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：
　　CLIPGEN拿到了最高的FID0、FID1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，CLIPGEN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CLIPGEN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WangZihao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。orgabs2203。00386