文章目录
- 1.DALL . E 2:集艺术之大成
- 2. 技术细节
- 2.1 CLIP
- 2.2 DALL.E 2具体方法
- 3.后续
1.DALL . E 2:集艺术之大成
还记得2021年刷爆AI圈的DALL·E,它是基于文本token来生成超现实主义的图像,比如下面的牛油果形状的椅子。
最近,OpenAI基于其1.0版本进行了升级,发布了DALL·E 2。该版本除了可以像1.0版本一样,从自然语言的描述中创建逼真的图像和艺术,还可以:
- 对现有生成的图片进行二次创作:添加和删除元素的阴影,反射,和纹理。
- 根据现有图片进行风格迁移
- 生成高像素的图片
二次创作:编辑图像
例如在下面图中,旋转一个位置放置火烈鸟:
风格迁移
根据提供的一张图片,生成另一种风格
生成高像素的图片
对比于1.0版本,升级之后的DALL能够生成更高像素的图片:
一些网友已经纷纷开启试用:
文本内容:1980年代,泰迪熊在月球上进行人工智能研究
文本内容:蒙娜丽莎在喝酒
从上面可以看出,DALL.E 2生成的效果可以和画家画出的图片媲美。
体验网址如下(不过需要加入waitlist):https://labs.openai.com/waitlist
2. 技术细节
2.1 CLIP
CLIP是基于文本-图像对的预训练方法,它主要是通过对比学习思想,来匹配对应的图像和其文字描述。其中包含了text-encoder
和image-encoder
。对于一个包含个文本-图像对的数据集来说,对比学习就是将N个图像和N个文本进行两两匹对,然后预测出其相似概率。其中只有
个是正样本(图中对角线元素),其余
为负样本。
CLIP模型可以直接实现zero-shot分类,即不需要任何训练数据,就能在某个具体下游任务上实现分类。
- 根据任务构造分类标签文本:
A photo of {label}
,通过text-encoder
得到对应的文本特征 - 将要预测的图像经过
image encoder
得到输出特征,然后与第一步的输出进行余弦相似计算,得到预测概率
2.2 DALL.E 2具体方法
在训练集上构成,其中
为图片,
为其说明文字。给定图片
,
表示CLIP模型生成的图像特征,
表示CLIP生成的文本特征。
生成图片主要有两个步骤:
- 利用真实文本描述
,通过CLIP生成的图像特征
- 利用真实文本描述
和CLIP生成的图像特征
,解码成图片
图像生成工具一直是黑产可利用的工具之一。在限制措施上,OpenAI限制了DALL·E 2生成暴力、仇恨或成人图像的能力。同时还使用了先进的技术来防止生成真实人物的脸,包括公众人物的脸照片生成。
如果过滤器识别出可能违规的文本提示和图像上传,将不会生成图像。这样将会有效的减少DALL.E 2工具的滥用。
目前DALL.E 2还处于测试阶段,OpenAI一直寻找外包专家合作,并将提供给一定量的可信任用户使用。官网中提到:随着时间的推移,将计划邀请更多的人来预览这项研究,以了解并不断改进我们的安全系统。