CLIP+谷歌T5都用上了

丰色 发自 凹非寺

非常AI | 公众号 QbitAI

英伟达也来卷扩散模型了。

这一次，它将文本生成图像的效果再次提高一个level。

比如，面对超长文本描述，它（下图最右列）比Stable Diffusion和DALL-E 2表达的都更精确：

注意第一组图刺猬的夏威夷风衬衣，以及第三组图猫猫的头盔。

当描述要求展示出具体的文字时，也只有它（下图最右列）可以准确做到：

除此之外，即时样式转换也是小菜一碟，只需一张样图就成。

比如来一个梵高风的泰迪熊冲浪：

或者这样的鸭子：

当然，英伟达最擅长的分割图作画，它也支持，可以让你用寥寥几笔完成精准构图：

（其中，每一个颜色块代表一个元素。）

看起来还阔以吧，它背后的方法也值得说道说道。

两个文本编码器+专家去噪网络

我们知道，扩散模型包含两个阶段：

从原图逐步到噪声的正向过程/扩散过程；

以及从噪声逐步到原图的逆向过程。

第二个过程就是去噪，作者想到，在此阶段，面对不同的噪声水平时都用不同的模型进行处理，也就是开发一个叫做“专家去噪”的网络，效果是不是会更好一些？

于是就诞生了这个新的AIGC工具：eDiffi。

eDiffi的pipeline由三个扩散模型级联而成：

一个可以合成64×64分辨率样本的基础模型，以及两个可以分别将图像分辨率递增到256×256和1024×1024的超分辨率模型。

当模型接收到一条文本描述时，会首先同时计算T5 XXL embedding和CLIP text embedding。

注意是用了两个文本编码器哦，不然效果不会这么好：

Ps. T5指的是谷歌的文本到文本转换器（Text-to-Text Transfer Transformer ），它可以帮助模型做到更精准地理解文本描述。

接着选择根据参考图像计算得出的CLIP图像编码，用作样式向量（可选可不选）。

然后再将所有embedding都馈送到上面的级联扩散模型中，最后逐渐生成分辨率为1024×1024的图像。

再来说说主角：去噪专家（Denoising experts）网络。

我们知道，在扩散模型中，图像的合成是通过迭代去噪过程来完成的，这个过程又指的是从随机噪声中逐渐生成图像。

在传统的扩散模型训练中，都是训练一个模型来对整个噪声分布进行去噪。

而在作者的这个框架中，他们训练了一组专家去噪器，专门用于在生成过程的不同步骤进行去噪。

如下图所示，作者是先从一个完整的随机噪声开始，然后分多个步骤逐步操作，最终生成一张骑自行车的熊猫图像。

一位StabilityAI员工认为，这种方法可能是扩散模型的下一大突破/进步。因为不止英伟达的这个eDiffi，还有百度的文心ERNIE-ViLG 2.0也是这么做的。

zero-shot FID上获SOTA得分

eDiffi模型是在“公共和专有数据集的集合”上训练而成。

其中基础模型花了256块英伟达A100 GPU，两个超分辨率模型则花了128块A100。

用于PK的模型包括GLIDE、Make-A-Scene、DALL-E 2、Stable Diffusion和谷歌的两个图像合成系统Imagen和Parti。

作者从COCO验证集中随机提取30000个文本描述，然后让这些模型生成结果，纪录zero-shot FID-30K得分。

最终，eDiffi获得了最低也就是最佳分数，说明它与文字的匹配度是最高的。

最后，再来两组效果展示和对比：

以及风格迁移的（第一列为参考风格，第二列为结果，第三列为参考图像）：

关于作者

一共有12位，都来自英伟达，其中3位华人：

毕业于康奈尔大学的博士黄勋（AdaIN一作）、毕业于清华本科和斯坦福博士的Song Jiaming以及英伟达高级研究总监Liu MingYu。

目前，该模型还未开源，不过有人表示改动不算大，所以实现起来并不难，应该很快就有人复现出来了。

论文地址：
https://arxiv.org/abs/2211.01324

项目主页：
https://deepimagination.cc/eDiffi/

参考链接：
[1]https://twitter.com/iScienceLuvr/status/1587973173932195840
[2]https://twitter.com/_akhaliq/status/1587971650007564289
[3]https://www.unite.ai/nvidias-ediffi-diffusion-model-allows-painting-with-words-and-more/