无痕 PS读得懂文字，OpenAI 的二代 DALL·E 惊艳亮相！

Posted 2022-04-19 CSDN资讯

能无痕 ps，能将文字转为图像，新一代的 DALL·E 2 有着什么样的魔力？

作者 | 马超       责编 | 屠敏

出品 | CSDN（ID：CSDNnews）

去年 1 月，OpenAI 推出了一个名为 DALL·E 的 GPT-3 最强应用。一年后，二代的 DALL·E 2 也惊艳亮相。DALL·E 2 可以将文字转换生成更真实、更准确的图像，相比上一代产品，其分辨率提高了 4 倍，最为关键的是 DALL·E-2 还进化出了一项新技能——可以根据文字描述将图像自动 PS，而这种 PS 修改目前还很难被察觉，足够“以假乱真”。

原图

PS 后

比如上图中的「狗狗」就是由 DALL·E 2 后加上去的，两幅图对比下，几乎看不出什么破绽。

可以说 DALL·E 2 带给业界的震撼在于这是一款有着独立创造力的跨模态生成模型。之前不管是可以一键切换为卡通风格的 CycleGAN，还是以自动修复图像的 Partialconv，其中运用的 AI 技术只能在图像或者文字的单一模式下进行生成和模仿，而时下将文字转换成图像、甚至根据文字对于图像进行修改，这种“脑补”的能力也是一次创新性突破。

从 DALL·E-2 展示出的效果来看，其联想能力已经接近人类六岁的儿童，其艺术加工尤其是 PS 能力也已经达到了人类设计师的巅峰水平，按照 OpenAI 以往的调性，他们往往是三代产品最强，在未来继续扩大参数规模的情况下，DALL·E 2 还预示着 DALL·E 3 将会有无限可能，这也不禁让我们想进一步了解人工智能的边界到底在哪。

DALL·E 2 的前世今生

DALL-E 是艺术家“Dalí”和机器人“WALL-E”的结合词。虽然在 DALL·E 2 的论文中，OpenAI 的科学家们并没有给出这个模型的具体规模与训练所需要的算力，不过考虑到第一代 DALL·E 就已经是基于 GPT-3 这种超大规模模型的项目了，那么我们有理由相信 DALL·E 2 的参数模型应该是 3000 亿起步。

截至目前，OpenAI 团队也尚未在公共 API 列表中提供 DALL·E 2 的相关功能或者预览。据悉，OpenAI 的人员可能担心 DALL·E 2 的超强功能被用到一些如换脸、图像伪造等会对社会造成负面影响的方面，因此也正在设计限制 DALL·E 被用于负面图像生成的方案，预计完成之后就会对外公开了。

与此同时，从另一个角度来看，这也推进了 AI 与云计算的结合，因为只有将 AI 云化才能让普通玩家用得到 DALL·E 2，否则中小型公司凭借自己的力量，很难训练出这种超大规模的模型。

DALL·E 2继承了第一代产品将文本转化为图像的能力，并且提供了更高的分辨率和更低的延迟，还可以根据用户的描述对于现有的图像进行 PS，用户可以从现有的图片开始，选择一个区域，并告诉模型编辑它。例如，你可以在客厅的墙上画一幅画，然后用另一幅画代替它，或者在咖啡桌上放一瓶花。该模型可以填充（或删除）对象，同时在 PS 过程中，DALL·E 2 还会考虑房间中阴影的方向等细节。

正如上文所说第一代的 DALL-E 是基于 GPT-3 模型的，它可以将图像压缩成文字，但图像与文字的匹配往往会限制图像的真实度。DALL·E 2 则引入了 CLIP/unCLIP 的机制，CLIP 类似于编码器，它的工作原理是像人类一样，查看图像并总结图像的内容，而 unCLIP 则是 CLIP 的反向操作，是从文字描述生成图像的过程。CLIP/unCLIP 的机制在一定程度上解决了 CLIP 一个非常有趣的弱点：人们可以通过给一个物体贴上一个标签（比如 iPod)，这种方式往往会达到欺骗模型的目的。DALL·E 2 对于这种贴着标签的苹果有着比较好的识别能力，比如下列图片基本都能被 DALL·E 2 正确处理。

DALL·E 2 的基本原理与背后趋势

正如前文所说，DALL·E 2 是基于 CLIP/unCLIP 机制的，首先为了获得完整的图像生成模型，将 CLIP 图像嵌入解码器与一个先验模型，它从给定的文本标题生成可能的 CLIP 图像嵌入。而将完整文本条件图像生成堆栈则称为 unCLIP，因为它通过颠倒 CLIP 图像编码器生成图像。训练数据集由成对（x, y）的图像 x 和它们对应的标题 y 组成。设 zi 和 zt 分别为其 CLIP 图像和文本嵌入，其基本的架构如下：

笔者认为 DALL·E 2 快速发展的背后，其实是人工智能由感知智能到认知智能的全面升级，而这其中的创造性是 AI 今后发展的最大助力，比如金融行业的呼叫中心需要分析客户的语气，以快速处理投诉类案例；出行类 APP 遇到客户说出某些关键词时，则需要立刻与 110 联动报警。这些应用场景其实都需要 AI 模型放弃原先死板僵硬的计算，而发展出某种活性。而一旦 AI 拥有创意，那么就可以和二次元特性进行结合，尤其是 90、00 后的年轻人们，在对话当中经常使用表情图、动态图等方式来表达情感，而将这些非语言信息的语义提取并翻译出来，就需要一定的创意了。

而再进一步，AI 未来很可能会达到比你自己更懂你的程度。比如前段时间笔者经常熬夜加班，结果打开淘宝会发现总给我推荐防脱洗发水，当然目前已经推荐枸杞了。

不过这其实也说明认知智能的终极发展就是让用户在使用过程中对于“人工智能”不断淡化，甚至无感化。现在用户使用人工智能时还会明显感受到它的存在，比如你打开电视还需要说“我要看XXX的电视剧”，还要对手机说“给XXX打电话”而真正实现认知智能之后，将会让你觉得你的这些交互行为变为多余，比如你回到家，人工智能系统会根据你的步态，推荐一个适合你当下身体状况的食谱，等你吃完饭下楼去超市的时候，你的手机会建议补充一些牛奶，因为你刚刚已经把家里最一袋牛奶喝掉了。相信读到这里读者也就会明白，化有形于无形，就是用户交互的最终奥义。

虽然短期来看，创造性 AI 还略显遥不可及，但是 DALL·E 2 的出现，让我们看到了希望，让我们做好准备迎接新一代认知 AI 产品的到来。

END

《新程序员001-004》全面上市，对话世界级大师，报道中国IT行业创新创造

— 推荐阅读 —

☞搜狐回应被美国SEC列入“预摘牌名单”：不打算提出异议；iPhone14或将支持卫星网络连接；清华大学开源大讲堂开讲|极客头条
☞V 神呼吁宽大处理！以太坊开发者 Virgil Griffith 被判入狱 63 个月
☞无人驾驶出租车遭警察拦截后欲“潜逃”，AI 是原罪？

—点这里↓↓↓记得关注标星哦~— 

一键三连 「分享」「点赞」「在看」

成就一亿技术人