DALL·E这波超进化，画质艺术感双飞升，还学会了无痕P图

Posted 2022-04-11 QbitAl

鱼羊 发自 凹非寺
量子位 | 公众号 QbitAI

把椅子上的萌犬P成猫猫，需要几步？

第一步，圈出狗狗。第二步，告诉AI你的需求。鼠标一点，齐活。

这位AI P图大师，其实是位老朋友——OpenAI风靡全球的那位DALL·E。

现在，它刚刚完成了“2.0超进化”。不仅新学了一手出神入化的P图绝技，创作质量也有了飞跃式的提升。

话不多说，直接看作品感受一下~

这是DALL·E 2在“星云爆炸状柯基头”这一提示下的创作出来的画作：

这幅萨尔瓦多·达利的画像，是不是有点萨尔瓦多·达利内味儿了？

跟初代DALL·E比起来，着实是画质与艺术感双双飞升了。

△“日出时分安坐在田野里的狐狸，莫奈风格”

所以，研究人员具体如何点亮了DALL·E的新技能点？

CLIP+扩散模型

DALL·E此番进化，简单来说就是分辨率更高了，延迟更低了。

此外，还有更新2大新功能：

首先，在更细粒度上实现文本→图像功能。

也就是说，DALL·E 2可以根据自然语言提示进行P图。在P图的过程中，还会考虑阴影、反射、纹理等元素的变化。

比如在左图标“2”的位置P一个火烈鸟泳圈，DALL-E 2会把水面倒影这种细节也处理到位。

其次，是可以在保留原作核心元素的基础之上，赋予原作船新的风格。

并且生成画面的画质是DALL·E 1的4倍，即从256×256提升到了1024×1024。

具体的实现方法，用OpenAI官方的话来说，就是结合了CLIP和扩散模型两种技术的优点。

CLIP是原版DALL·E功能实现的基础，是一个负责给图像重排序的模型，其零样本学习能力已经在各种视觉和语言任务上大放异彩。

而扩散模型的特点在于，在牺牲多样性的前提下，能大大提升生成图像的逼真度。

于是，OpenAI的研究人员设计了这样一种方案：

在这个名为unCLIP的架构中，CLIP文本嵌入首先会被喂给自回归或扩散先验，以产生一个图像嵌入。

而后，这个嵌入会被用来调节扩散编码器，以生成最终的图像。

OpenAI解释称，DALL·E能够get图像和用于描述画面的文本之间的关系。其图像的生成是在“扩散”过程中完成的，可以理解为是从“一堆点”出发，用越来越多的细节去把图像填充完整。

研究人员将DALL·E 2与DALL·E、GLIDE等模型进行了对比。

实验结果显示，DALL·E 2的图像生成质量与GLIDE相当，但DALL·E的生成结果更具多样性。

目前，DALL·E 2并未对公众开放，不过如果你感兴趣，可以在线注册申请一发~

项目地址：
https://openai.com/dall-e-2/#demos