扩散+超分辨率模型强强联合，谷歌图像生成器Imagen背后的技术
近年来，多模态学习受到重视，特别是文本-图像合成和图像-文本对比学习两个方向。一些AI模型因在创意图像生成、编辑方面的应用引起了公众的广泛关注，例如OpenAI先后推出的文本图像模型DALL・E和DALL-E2，以及英伟达的GauGAN和GauGAN2。谷歌也不甘落后，在5月底发布了自己的文本到图像模型Imagen，看起来进一步拓展了字幕条件（caption-conditional）图像生成的边界。仅仅给出一个场景的描述，Imagen就能生成高质量、高分辨率的图像，无
近年来，多模态学习受到重视，特别是文本 - 图像合成和图像 - 文本对比学习两个方向。一些 AI 模型因在创意图像生成、编辑方面的应用引起了公众的广泛关注，例如 OpenAI 先后推出的文本图像模型 DALL・E 和 DALL-E 2，以及英伟达的 GauGAN 和 GauGAN2。
谷歌也不甘落后，在 5 月底发布了自己的文本到图像模型 Imagen，看起来进一步拓展了字幕条件（caption-conditional）图像生成的边界。
仅仅给出一个场景的描述，Imagen 就能生成高质量、高分辨率的图像，无论这种场景在现实世界中是否合乎逻辑。下图为 Imagen 文本生成图像的几个示例，在图像下方显示出了相应的字幕。
这些令人印象深刻的生成图像不禁让人想了解：Imagen 到底是如何工作的呢？
近期，开发者讲师 Ryan O'Connor 在 AssemblyAI 博客撰写了一篇长文《How Imagen Actually Works》，详细解读了 Imagen 的工作原理，对 Imagen 进行了概览介绍，分析并理解其高级组件以及它们之间的关联。
Imagen 工作原理概览
在这部分，作者展示了 Imagen 的整体架构，并对其它的工作原理做了高级解读；然后依次更透彻地剖析了 Imagen 的每个组件。如下动图为 Imagen 的工作流程。
首先，将字幕输入到文本编码器。该编码器将文本字幕转换成数值表示，后者将语义信息封装在文本中。Imagen 中的文本编码器是一个 Transformer 编码器，其确保文本编码能够理解字幕中的单词如何彼此关联，这里使用自注意力方法。
如果 Imagen 只关注单个单词而不是它们之间的关联，虽然可以获得能够捕获字幕各个元素的高质量图像，但描述这些图像时无法以恰当的方式反映字幕语义。如下图示例所示，如果不考虑单词之间的关联，就会产生截然不同的生成效果。
虽然文本编码器为 Imagen 的字幕输入生成了有用的表示，但仍需要设计一种方法生成使用这一表示的图像，也即图像生成器。为此，Imagen 使用了扩散模型，它是一种生成模型，近年来得益于其在多项任务上的 SOTA 性能而广受欢迎。
扩散模型通过添加噪声来破坏训练数据以实现训练，然后通过反转这个噪声过程来学习恢复数据。给定输入图像，扩散模型将在一系列时间步中迭代地利用高斯噪声破坏图像，最终留下高斯噪声或电视噪音静态（TV static）。下图为扩散模型的迭代噪声过程：
然后，扩散模型将向后 work，学习如何在每个时间步上隔离和消除噪声，抵消刚刚发生的破坏过程。训练完成后，模型可以一分为二。这样可以从随机采样高斯噪声开始，使用扩散模型逐渐去噪以生成图像，具体如下图所示：
总之，经过训练的扩散模型从高斯噪声开始，然后迭代地生成与训练图像类似的图像。很明显的是，无法控制图像的实际输出，仅仅是将高斯噪声输入到模型中，并且它会输出一张看起来属于训练数据集的随机图像。
但是，目标是创建能够将输入到 Imagen 的字幕的语义信息封装起来的图像，因此需要一种将字幕合并到扩散过程中的方法。如何做到这一点呢？
上文提到文本编码器产生了有代表性的字幕编码，这种编码实际上是向量序列。为了将这一编码信息注入到扩散模型中，这些向量被聚合在一起，并在它们的基础上调整扩散模型。通过调整这一向量，扩散模型学习如何调整其去噪过程以生成与字幕匹配良好的图像。过程可视化图如下所示：
由于图像生成器或基础模型输出一个小的 64x64 图像，为了将这一模型上采样到最终的 1024x1024 版本，使用超分辨率模型智能地对图像进行上采样。
对于超分辨率模型，Imagen 再次使用了扩散模型。整体流程与基础模型基本相同，除了仅仅基于字幕编码调整外，还以正在上采样的更小图像来调整。整个过程的可视化图如下所示：
这个超分辨率模型的输出实际上并不是最终输出，而是一个中等大小的图像。为了将该图像放大到最终的 1024x1024 分辨率，又使用了另一个超分辨率模型。两个超分辨率架构大致相同，因此不再赘述。而第二个超分辨率模型的输出才是 Imagen 的最终输出。
为什么 Imagen 比 DALL-E 2 更好？
确切地回答为什么 Imagen 比 DALL-E 2 更好是困难的。然而，性能差距中不可忽视的一部分源于字幕以及提示差异。DALL-E 2 使用对比目标来确定文本编码与图像（本质上是 CLIP）的相关程度。文本和图像编码器调整它们的参数，使得相似的字幕 - 图像对的余弦相似度最大化，而不同的字幕 - 图像对的余弦相似度最小化。
性能差距的一个显著部分源于 Imagen 的文本编码器比 DALL-E 2 的文本编码器大得多，并且接受了更多数据的训练。作为这一假设的证据，我们可以在文本编码器扩展时检查 Imagen 的性能。下面为 Imagen 性能的帕累托曲线：
放大文本编码器的效果高得惊人，而放大 U-Net 的效果却低得惊人。这一结果表明，相对简单的扩散模型只要以强大的编码为条件，就可以产生高质量的结果。
鉴于 T5 文本编码器比 CLIP 文本编码器大得多，再加上自然语言训练数据必然比图像 - 字幕对更丰富这一事实，大部分性能差距可能归因于这种差异。
除此以外，作者还列出了 Imagen 的几个关键要点，包括以下内容：
- 扩展文本编码器是非常有效的；
- 扩展文本编码器比扩展 U-Net 大小更重要；
- 动态阈值至关重要；
- 噪声条件增强在超分辨率模型中至关重要；
- 将交叉注意用于文本条件反射至关重要；
- 高效的 U-Net 至关重要。
这些见解为正在研究扩散模型的研究人员提供了有价值的方向，而不是只在文本到图像的子领域有用。
Postman是一套面向API全生命周期的开发与测试平台，可在Mac上发送和调试多种协议请求，管理集合、环境及认证信息，并完成脚本测试、模拟服务、监控、文档发布和团队协作。它适合开发、测试及运维人员使用，提供个人免费方案。
Docker Desktop 是 Docker 官方为 Mac 提供的容器开发环境，集成 Docker Engine、命令行工具、Compose、Build、Kubernetes 与图形化管理界面。
Android Studio 是 Google 面向安卓应用开发提供的官方集成开发环境，基于 IntelliJ IDEA 构建。它整合智能代码编辑、Gradle 构建、界面预览、设备模拟、性能分析、调试测试及 APK 分析等工具。
Xcode 是苹果面向 Mac 提供的官方集成开发环境，将代码编辑、项目构建、SwiftUI 实时预览、设备模拟、自动化测试、断点调试、性能分析和应用分发整合在同一套工作流中，适合开发与维护 iPhone、iPad、Mac、Apple Wa
JetBrains WebStorm 是面向 JavaScript、TypeScript 和现代 Web 技术的专业集成开发环境，可智能理解项目结构，提供代码补全、重构、错误检查、运行调试、测试及 Git 工具。
PhpStorm 是 JetBrains 推出的专业 PHP 集成开发环境，可在 Mac 上完成代码编写、智能检查、重构、调试、测试和数据库管理。它支持主流 PHP 框架、Composer、Git、Docker 与远程解释器。
JetBrains PyCharm 是面向 Python 开发者的集成开发环境，提供智能补全、代码检查、重构、调试、测试、版本控制及虚拟环境管理功能。Mac 版兼容 Intel 与 Apple 芯片，核心功能可免费使用。
IntelliJ IDEA 是 JetBrains 推出的专业集成开发环境，重点服务于 Java、Kotlin 与 JVM 项目开发。软件集成代码补全、静态检查、重构、调试、测试、版本控制及构建工具，并可借助插件扩展语言和框架支持。
Visual Studio Code 是微软提供的免费代码编辑器，支持 macOS，并为 Intel 与 Apple 芯片 Mac 提供适配版本。软件集代码编辑、调试、Git 源代码管理、集成终端和扩展市场于一体。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Pro Tools 是 Avid 推出的专业数字音频工作站，覆盖多轨录音、无损剪辑、MIDI 编曲、插件处理、自动化混音及声音与画面同步等工作。它拥有 Intro、Artist、Studio 和 Ultimate 等方案。
PixPix 是面向品牌、卖家和内容团队的在线 AI 图片视频创作平台，提供图视频 Agent、无限画布、图片生成、视频生成、自然语言编辑及商品套图、产品精修和带货视频等电商工具。
Postman 是面向 API 全生命周期的开发与协作平台。Windows 桌面版可用于构建和发送 HTTP、GraphQL、gRPC、WebSocket、MQTT 等请求，并提供环境变量、集合、脚本测试、模拟服务、监控、文档及团队工作区等
Docker Desktop 为 Windows 开发者提供集成式容器环境，内置 Docker Engine、命令行工具、Compose、Build 与 Kubernetes 等组件，可在本机完成镜像构建、容器运行、日志查看和资源管理。
Android Studio 是 Google 面向 Android 应用开发提供的官方集成开发环境，以 IntelliJ IDEA 为基础，集成智能代码编辑、Gradle 构建、设备模拟、界面预览、调试测试及性能分析工具，
WebStorm 是 JetBrains 面向 JavaScript、TypeScript 和现代 Web 技术打造的集成开发环境。它提供项目级代码分析、智能补全、安全重构、导航搜索，并集成调试、测试、终端、Git 与常用前端工具，
PhpStorm 是 JetBrains 面向 PHP 与现代 Web 开发打造的专业集成开发环境，提供代码补全、静态检查、重构、调试、测试、数据库、版本控制及前端语言支持。Windows 用户可直接下载安装程序，
PyCharm 是 JetBrains 推出的 Python 集成开发环境，提供智能代码补全、错误检查、重构、调试、测试、Git、终端及 Jupyter Notebook 支持。统一版安装后可体验 30 天 Pro 功能，
JetBrains IntelliJ IDEA 是以 Java、Kotlin 和 JVM 项目为核心的专业集成开发环境，提供智能补全、代码检查、安全重构、调试、测试、版本控制及构建工具集成。统一发行版的核心功能可免费用于商业和非商业项目，
Visual Studio Code 是微软推出的免费代码编辑器，Windows 版集成智能补全、代码导航、调试、终端和版本控制，并可通过扩展添加语言、格式化及远程开发能力。它启动较快、配置灵活，
REAPER 是 Cockos 推出的数字音频工作站，适用于录音、MIDI 编曲、音频编辑、混音、母带制作及声音设计。软件安装包小巧，支持多轨录制、灵活路由、自动化、第三方插件和脚本扩展，并提供完整功能的 60 天免费评估期。
Adobe Audition 是面向播客、影视后期、广播与音乐制作的专业音频工作站，提供波形编辑、多轨混音、频谱分析、录音、降噪修复和效果处理等功能。Windows 版通过 Adobe Creative Cloud 安装和管理，
Pro Tools 是 Avid 推出的专业数字音频工作站，提供多轨录音、音频剪辑、MIDI编曲、插件处理、自动化混音及影视声音制作能力。它适合音乐人、录音师、制作人和音频后期团队使用，并提供免费入门版、订阅方案及永久授权选择。