解讀OpenAI最強(qiáng)文生圖模型—DALL·E 3

　　本文來自于微信公眾號(hào) AIGC開放社區(qū)(ID:AIGCOPEN)，作者:AIGC開放社區(qū)。

　　Midjourney、Stable Difusion在商業(yè)變現(xiàn)和場(chǎng)景化落地方面獲得了巨大成功，這讓OpenAI看到了全新的商機(jī)，也是推出DALL·E3的重要原因之一。

　　上周，OpenAI宣布在ChatGPT Plus和企業(yè)版用戶中，全面開放文生圖模型DALL·E3，同時(shí)罕見地放出了研究論文。

　　DALL·E3與前兩代DALL·E、DALL·E2相比，在語義理解、圖片質(zhì)量、圖片修改、圖片解讀、長(zhǎng)文本輸入等方面實(shí)現(xiàn)了質(zhì)的飛躍，尤其是與ChatGPT的相結(jié)合，成為OpenAI全新的王牌應(yīng)用。

　　下面「AIGC開放社區(qū)」將根據(jù)DALL·E3的論文為大家解讀其主要技術(shù)原理，各個(gè)模塊的功能。

　　研究人員發(fā)現(xiàn)，文本生成圖像模型在遵循詳細(xì)的圖片描述時(shí)經(jīng)常存在各種難題，會(huì)忽略提示中的詞語或混淆其含義，根本原因就是訓(xùn)練數(shù)據(jù)集中圖像描述的質(zhì)量較差。

　　為了驗(yàn)證這一假設(shè)，研究人員首先訓(xùn)練了一個(gè)生成描述性圖像字幕的模型。該模型經(jīng)過精心訓(xùn)練，可以為圖像生成詳細(xì)和準(zhǔn)確的描述。

　　在使用這個(gè)模型為訓(xùn)練數(shù)據(jù)集重新生成描述后，研究人員比較了在原始描述和新生成描述上訓(xùn)練的多個(gè)文本生成圖像模型。

　　結(jié)果表明，在新描述上訓(xùn)練的模型在遵循提示方面，明顯優(yōu)于原始描述模型。隨后在大規(guī)模數(shù)據(jù)集上使用這種方法訓(xùn)練了——DALL-E3。

　　從DALL-E3的技術(shù)架構(gòu)來看，主要分為圖像描述生成和圖像生成兩大模塊。

　　圖像描述生成模塊

　　該模塊使用了CLIP(Contrastive Language-Image Pretraining)圖像編碼器和GPT語言模型(GPT-4)，可為每張圖像生成細(xì)致的文字描述。

　　研究人員通過構(gòu)建小規(guī)模主體描述數(shù)據(jù)集、大規(guī)模詳細(xì)描述數(shù)據(jù)集以及設(shè)置生成規(guī)則等方法，使模塊輸出的圖像描述信息量大幅提升，為后續(xù)生成圖像提供強(qiáng)力支持。主要各個(gè)模塊功能如下:

　　1)CLIP圖像編碼器

　　CLIP是一個(gè)訓(xùn)練好的圖像文本匹配模型，可以將一張圖像編碼成一個(gè)固定長(zhǎng)度的向量，包含了圖像的語義信息。DALL-E3利用CLIP的圖像編碼器，將訓(xùn)練圖像編碼為圖像特征向量，作為條件文本生成的一部分輸入。

　　2)GPT語言模型

　　DALL-E3基于GPT架構(gòu)建立語言模型，通過最大化隨機(jī)抽取文本序列的聯(lián)合概率，學(xué)習(xí)生成連貫的文字描述。

　　3)條件文本生成

　　將上述兩者結(jié)合，圖像特征向量與之前的單詞序列一同輸入到GPT語言模型中，就可以實(shí)現(xiàn)對(duì)圖像的條件文本生成。通過訓(xùn)練，該模塊學(xué)會(huì)為每張圖像生成細(xì)致Descriptive的描述。

　　4)優(yōu)化訓(xùn)練

　　盡管DALL-E3的基礎(chǔ)架構(gòu)已經(jīng)完成了，但直接訓(xùn)練的結(jié)果還不夠理想，無法生成細(xì)節(jié)豐富的描述。所以，研究人員進(jìn)行了以下技術(shù)優(yōu)化:

　　構(gòu)建小規(guī)模數(shù)據(jù)集，專門收集主體物詳細(xì)描述，微調(diào)語言模型，傾向于描述圖像主體。

　　構(gòu)建大規(guī)模詳細(xì)描述數(shù)據(jù)集，描述主體、背景、顏色、文本等各個(gè)方面，通過微調(diào)進(jìn)一步提升描述質(zhì)量。

　　設(shè)置生成描述的長(zhǎng)度、樣式等規(guī)則，防止語言模型偏離人類風(fēng)格。

　　圖像生成模塊

　　該模塊先用VAE將高分辨率圖像壓縮為低維向量，降低學(xué)習(xí)難度。然后，使用T5Transformer將文本編碼為向量，并通過GroupNorm層將其注入diffusion模型，指導(dǎo)圖像生成方向。

　　研究人員認(rèn)為，額外加入的Diffusion模型顯著增強(qiáng)了圖片細(xì)節(jié)生成的效果。具體流程如下:

　　1)圖像壓縮

　　將高分辨率圖像先通過VAE模型壓縮為低維向量，以降低圖像生成的難度。DALL-E3采用8倍下采樣，256px圖像壓縮為32x32大小的latent向量。

　　2)文本編碼器

　　使用T5Transformer等網(wǎng)絡(luò)將文本提示編碼為向量，以便注入到圖像生成模型中。

　　3)Latent Diffusion

　　這是圖像生成的核心技術(shù)，將圖像生成問題分解為多次對(duì)噪聲向量的小規(guī)模擾動(dòng)，逐步鄰近目標(biāo)圖像。關(guān)鍵是設(shè)計(jì)恰當(dāng)?shù)那跋蜻^程和反向過程。

　　4)文本注入

　　將編碼好的文本向量，通過GroupNorm層注入到Latent Diffusion模型中，指導(dǎo)每輪迭代的圖像生成方向。

　　5)優(yōu)化訓(xùn)練

　　研究人員發(fā)現(xiàn)，在壓縮image latent空間上再訓(xùn)練一個(gè)Diffusion模型，可以進(jìn)一步提升細(xì)節(jié)生成質(zhì)量。這也是DALL-E3比前兩代生成的圖片質(zhì)量更好的原因之一。

　　CLIP評(píng)估數(shù)據(jù)

　　研究人員首先利用CLIP模型計(jì)算DALL-E3生成圖片與原描述文本的相似度，即CLIP得分。他們隨機(jī)抽取了MSCOCO數(shù)據(jù)集中4096條圖像描述作為提示文本，分別讓DALL-E2、DALL-E3和Stable Diffusion XL生成對(duì)應(yīng)圖片，然后計(jì)算三者的平均CLIP得分。

　　結(jié)果顯示，DALL-E3的CLIP得分達(dá)到32.0，優(yōu)于DALL-E2的31.4和Stable Diffusion XL的30.5。

　　這表明DALL-E3生成的圖片與原始描述文本的契合度更高，文本指導(dǎo)圖像生成的效果更好。

　　Drawbench評(píng)估數(shù)據(jù)

　　在Drawbench數(shù)據(jù)集上比較了各模型的表現(xiàn)。該數(shù)據(jù)集包含許多脆弱的文本提示，考驗(yàn)?zāi)Ｐ蛯?duì)提示的理解力。

　　研究人員使用GPT-V這個(gè)配備視覺能力的語言模型來自動(dòng)判斷生成圖片的正確性。

　　在短文本提示的子測(cè)試中，DALL-E3正確生成圖像的比例達(dá)到70.4%，顯著超過DALL-E2的49%和Stable Diffusion XL的46.9%。

　　在長(zhǎng)文本提示上，DALL-E3的正確率也達(dá)到81%，繼續(xù)領(lǐng)先其他模型。

　　T2I-CompBench評(píng)估

　　通過T2I-CompBench中的相關(guān)子測(cè)試，考察模型對(duì)組合類提示的處理能力。在顏色綁定、形狀綁定和質(zhì)感綁定三項(xiàng)測(cè)試中，DALL-E3的正確綁定比例均高居各模型之首，充分展現(xiàn)了其理解組合提示的強(qiáng)大能力。

　　人工評(píng)估

　　研究人員還邀請(qǐng)了人工在遵循提示、風(fēng)格連貫性等方面對(duì)生成樣本進(jìn)行判斷。在170條提示的評(píng)估中，DALL-E3明顯優(yōu)于Midjourney和Stable Diffusion XL。