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?!
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
视觉中国今日涨停,此前连续3天跌停感谢IT之家网友win10小傲娇的线索投递!IT之家4月17日消息今日视觉中国股票涨停,报22。45元,涨幅达到10,市值回到约157。28亿元。此前因为受到版权事件影响,视觉中国
视觉中国连续第三日跌停IT之家4月16日消息视觉中国连续第三日跌停,报价20。41元,跌停封单超55万手,目前市值约143亿元。继上周五多家基金公司集体下调视觉中国估值后,视觉中国再遭长盛华宝农银汇理信
视觉中国旗下500px中国站无法访问感谢IT之家网友时光旅行者的线索投递!IT之家4月15日消息今日晚间,视觉中国旗下摄影社区网站500px中国站(500px。me)已无法正常打开。在网站首页,500px中国站称正在
迅雷调低第三季度营收预期,云硬件销售额不及预期北京时间10月19日晚间消息,迅雷今日宣布,该公司已调低了2018财年第三季度营收预期,主要因为云硬件业务销售额低于预期。迅雷今年8月15日发布2018财年第二季度财报时,给出了第
TIOBE4月编程语言排行榜C重回前三,PHP下降明显IT之家4月8日消息日前,TIOBE公布2019年4月份编程语言排行榜,排名整体变化不大,其中Java稳居第一,C超越Python重回第三,虽然Python名次略有下滑,但是整体上
编程语言流行指数四月榜单发布Python持续强势,Java热度减退IT之家4月5日消息日前,编程语言流行指数(PopularitYofProgrammingLanguage,简称PYPL)公布四月榜单,这其中包含编程语言IDEODE(Online
小米9SE秒售罄官微发委屈表情IT之家3月1日消息今天早上10点,小米在小米商城开启了小米9SE和小米9透明探索版的首次发售,跟以前的小米旗舰手机一样,这一次小米9SE仍然处于秒售罄的状态,大家纷纷表示抢不到。
网易科技回应锤子生死劫报道内容有独立信源,愿意与罗永浩探讨IT之家11月16日消息此前,IT之家报道过,网易科技的锤子生死劫一文,引起网友极大关注,在网络上激起舆论波澜。锤子科技创始人随后在微博转发该文章,并表示网易科技报道失实,将起诉作
暴风集团现金流入已难以支撑日常经营,存在被暂停上市风险IT之家10月22日消息昨日,暴风集团发布公告称,近期公司经营状况发生重大不利变化,资金紧张,难以维持公司正常运转。公司主营业务收入急剧下滑,应收账款回收困难,经营发展受到严重制约
暴风集团预计前三季度亏损1。51亿至1。56亿元TechWeb10月15日消息,暴风集团今日发布2019年前三季度业绩预告,预计前三季度亏损1。51亿至1。56亿元,相较去年同期的亏损2。28亿元,亏损幅度缩小。其中,暴风集团预
深交所发布对暴风集团及相关当事人谴责处分公告IT之家9月17日消息针对暴风集团近期相关事件以及暴风集团实际控制人冯鑫被批捕,深交所今天发布关于对暴风集团股份有限公司及相关当事人给予公开谴责处分的公告。深交所经调查发现,暴风集