麻省理工、Meta開源：無需人工標(biāo)注，創(chuàng)新文生圖模型

　　原文來源：AIGC開放社區(qū)

　　文生圖領(lǐng)域一直面臨著一個(gè)核心難題,就是有條件圖像生成的效果，遠(yuǎn)超無條件的圖像生成。有條件圖像生成是指模型在生成圖像的過程中,會(huì)額外使用類別、文本等輔助信息進(jìn)行指導(dǎo),這樣可以更好的理解用戶的文本意圖，生成的圖像質(zhì)量也更高。

　　而無條件圖像生成完全基于模型自己學(xué)習(xí)的數(shù)據(jù)分布,難以形成有效的指導(dǎo)，所以，我們經(jīng)常會(huì)有的AI平臺(tái)生成的圖像驢唇不對(duì)馬嘴，或者圖像有重大缺陷。

　　為了解決這個(gè)問題,麻省理工學(xué)院和Meta的AI研究人員開發(fā)了RCG模型(Representation-Conditioned imageGeneration)。

　　RCG是一種創(chuàng)新性的“基于表示條件的圖像生成”模型。所謂“表示條件”,就是讓模型自己從數(shù)據(jù)中提取表示來進(jìn)行指導(dǎo)，而無需任何人工數(shù)據(jù)標(biāo)注。所以，RCG能以更小的消耗，生成與有指導(dǎo)模型相媲美的圖片。

　　開源地址：‌

　　論文地址：‌

　　從RCG的論文來看，其圖片生成流程采用了擬人化思路。先規(guī)劃出要生成圖片的大體輪廓,然后再根據(jù)這一構(gòu)思去繪制圖片的細(xì)節(jié)。

　　就像我們?nèi)祟惍嫯嬕粯?先在大腦中構(gòu)思畫作的整體思路，例如，想畫一匹馬,先想象馬的形體;想畫一個(gè)蘋果,先想象個(gè)大紅色的圓球，然后根據(jù)整體“表示”畫出圖像的細(xì)節(jié)。

　　圖像編碼器

　　圖像編碼器的作用是從圖像中提取有意義的表示。這些表示在保留圖像的語義信息的同時(shí),也要比較簡單、易于建模。

　　目前流行的自監(jiān)督學(xué)習(xí)算法主要可以分為兩大類:1)基于預(yù)訓(xùn)練任務(wù)，這類方法會(huì)人為設(shè)計(jì)一個(gè)預(yù)訓(xùn)練任務(wù),讓模型去預(yù)測一些偽標(biāo)簽。比如旋轉(zhuǎn)預(yù)測任務(wù),讓模型預(yù)測圖像被旋轉(zhuǎn)的角度等。

　　2)基于對(duì)比學(xué)習(xí)，這類方法會(huì)構(gòu)造正樣本和負(fù)樣本。讓模型學(xué)會(huì)區(qū)分和拉遠(yuǎn)它們在表示空間的距離，代表性算法包括MoCo、SimCLR等。

　　實(shí)驗(yàn)證明，基于對(duì)比學(xué)習(xí)方法，可以獲得更加有效的圖像表示,因此RCG選擇了這種方式。并使用了MoCo v3進(jìn)行預(yù)訓(xùn)練,這是圖像分類任務(wù)上效果最優(yōu)的自監(jiān)督對(duì)比學(xué)習(xí)算法之一。

　　為了使表示維度可控,RCG使用了帶有預(yù)測頭的Transformer模型。預(yù)測頭會(huì)規(guī)劃成256維的向量,這樣就獲得了編碼器輸出的表示。該表示同時(shí)還進(jìn)行了歸一化處理,以符合高斯分布。

　　表示生成模塊

　　在提取到圖像的表示之后,下一步就是對(duì)這些表示進(jìn)行采樣。通常,我們希望模型可以捕捉表示空間的分布,具有生成各種新穎表示的能力,從而指導(dǎo)下游的圖像生成。

　　為此,RCG提出了表示擴(kuò)散模型RDM。它使用全連接網(wǎng)絡(luò)作為主干,包含數(shù)個(gè)殘差塊。每個(gè)塊里面包括激活函數(shù)、線性層等。

　　RDM模塊訓(xùn)練時(shí),采用了DDIM算法。即先將真實(shí)圖像表示加入高斯噪聲,讓RDM去除噪并重構(gòu)原始表示;生成時(shí),從完全噪聲表示出發(fā),逐步采樣清晰的表示。

　　RDM模塊的參數(shù)和計(jì)算量很小,所以即使增加塊數(shù)和寬度,也不會(huì)帶來太大的額外負(fù)擔(dān)。這樣我們可以充分發(fā)掘表示空間的豐富信息,指導(dǎo)下游生成。

　　像素生成器

　　提取表示并對(duì)其建模之后,最后一步就是根據(jù)表示來生成圖像像素。RCG中的像素生成器可以使用任意的條件圖像生成模型,只需要將原有的條件(比如類別標(biāo)簽)替換為RDM生成的表示即可。

　　訓(xùn)練時(shí),MAGE接收帶有遮蔽(Mask)的圖像作為輸入,其中帶X的是被遮蔽的，同時(shí)也輸入對(duì)應(yīng)圖像的表示,然后學(xué)習(xí)重構(gòu)被遮蔽的內(nèi)容。

　　為了驗(yàn)證RCG模型的效果,研究團(tuán)隊(duì)基于ImageNet測試平臺(tái)中的256×256數(shù)據(jù)集進(jìn)行了實(shí)驗(yàn)。

　　結(jié)果顯示，RCG的FID分?jǐn)?shù)為3.56和IS的253.4，超過了之前最好的無條件生成模型MAGE的結(jié)果,與當(dāng)前狀態(tài)最好的有條件模型CDM差不多。