朋友,你知道这个英文单词是什么吗?
Pneumonoultramicroscopicsilicovolcanoconiosis.
这个世界公认最长 —— 由 45 个字母组成的单词,意思是“因肺部沉积火山矽质微粒所引起的疾病”(俗称火山矽肺病)。
但如果说,现在不是让你拼读这个单词,而是…… 把它给画出来呢?
(读都读不出来,还画画???)
谷歌最新提出来的一个 AI——Parti,它就能轻松 hold 住这事。
在把这个单词“投喂”给 Parti 后,它就能有模有样地生成多张合情合理的肺部疾病图片:
但这只是 Parti 小试牛刀的能力,据谷歌介绍,它是目前最先进的“文本转图像”AI。
例如,跟它说句:“把悉尼歌剧院和巴黎铁塔做个结合”,输出结果是这样的:
(不知道的还真以为是画报呢)
而且在算法路数上,还不同于谷歌自家的 Imagen,Parti 可以说是把“AI 作画”卷出了新高度。
就连谷歌 AI 负责人 Jeff Dean 也连发数条推文,玩得不亦乐乎:
可扩展到 200 亿参数:更逼真,更“聪明”
事实上,Parti 的能力还不止于此。
得益于模型可扩展到 200 亿参数,一方面,它生成的图像更加细节逼真。
不管是短短几个字,还是五十多个个单词的小段落,都能清晰展现出来。
比如,The back of a violin,小提琴的背面。
亦或是照着梵高《星空》来描述的夜晚画面。ps,这段有 67 个单词。
结果 Parti 也不在话下,一揽子把各种风格的图全给你画出来了~
这也正是 Parti 的第二大能力,不光细节到位,风格也能做到多变。
还有像“浣熊穿正装,头戴礼帽,拄着拐杖,拿着个垃圾袋”这种奇特的描述,它也能在整出花活的同时还不落细节。
风格上,则有梵高风、埃及法老风、像素风、中国传统绘画风、抽象主义风……
甚至有时候它还会讲双关笑话。
(Toad’ay,癞蛤蟆)
具体在测试结果上,MS-COCO、Localized Narrative(LN,4 倍长的描述)上 FID 分数,Parti 都取得了最先进的结果。
尤其在 MS-COCO 零样本的 FID 得分仅为 7.23,微调 FID 得分为 3.22,超过了此前的 Imagen 和 DALL-E 2。
所有组件都是 Transformer
时隔一个月,谷歌再把 AI 作画卷出新高度,结果作者却说:秘诀很简单。
Parti 主要是将文本生成图像视作序列到序列之间建模。这有点类似于机器翻译,将文本标记作为编码器的输入,目标输出从文本变成了图像。
从结构上看,它的所有组件只有三部分:编码器、解码器以及图像标记器,且都是基于标准 Transformer。
首先,使用基于 Transformer 的图像标记器 ViT-VQGAN,将图像编码为离散的标记序列。
然后再通过 Transformer 的编码-解码结构,将参数扩展到 200 亿。
以往关于文本生成图像的研究,除了最早出现的 GAN,大体可以分成两种思路。
一种是基于自回归模型,首先文本特征映射到图像特征,再使用类似于 Transformer 的序列架构,来学习语言输入和图像输出之间的关系。
这种方法的一个关键组成部分就是图像标记器,将每个图像转换为一个离散单元的序列。比如 DALL-E 和 CogView,就采用了这一思路。
另一种则是这段时间以来进展频频的路线 —— 基于扩散的文本到图像模型,比如 DALL-E 2 和 Imagen。
他们摒弃了图像标记器,而是采用扩散模型来直接生成图像。可以看到的是,这些模型产生的图像质量更高,在 MS-COCO 零样本 FID 得分更好。
而 Parti 模型的成功,则证明了自回归模型可以用来改善文本生成图像的效果。
与此同时,Parti 还引入并发布了新的基准测试 ——PartiPrompts,用于衡量模型在 12 个类别和 11 个挑战方面的能力。
但 Parti 还是有一定的局限性,研究人员也展示了一些 bug:
比如,对否定的描述就没招了~
一个没有香蕉的盘子,旁边一个没有橙汁儿的玻璃杯。
还会犯一些常识性错误,例如不合理地缩放。比如这张图,机器人竟然比赛车高出好几倍。
一个穿着赛车服和黑色遮阳板的闪亮机器人自豪地站在一辆 F1 赛车前。太阳落在城市景观上。漫画书插图。
谷歌“自己卷自己”
在这项研究来自 Google Research,团队中的华人居多。
研究核心工作人员包括 Yuanzhong Xu、Thang Luong 等,目前均就职于谷歌从事 AI 相关研究工作。
(Thang Luong 在谷歌学术上的引用量高达 20000+)
△ 左:Yuanzhong Xu;右:Thang Luong
不过有意思的是,同为“说句话让 AI 作画”,同为出自谷歌之手的 Imagen,它跟 Parti 还真有点千丝万缕的关系。
在 Parti 的 GitHub 的项目文档中就有提到:
感谢 Imagen 团队,他们在发布 Imagen 之前与我们分享了其最近完整的结果。
他们在 CF-guidance 方面的重要发现,对最终的 Parti 模型特别有帮助。
而且 Imagen 的作者之一 Burcu Karagol Ayan,也参与到了 Parti 的项目中。
(有种谷歌“自己卷自己”那味了)
不仅如此,就连“隔壁”DALL-E 2 的作者 Aditya Ramesh,也给 Parti 在 MS-COCO 评价方面做了讨论工作。
以及 DALL-Eval 的作者们,也在 Parti 数据方面的工作提供了帮助。
One More Thing
有一说一,就“文本生成图像”这事,可不只是研究人员们的宠儿。
网友们在“玩”它这条路上,也是乐此不疲(脑洞不要太大好吧)。
前一阵子让 Imagen 画一幅宋朝“虎戴 VR”,直接演变成 AI 作画大战。
△ 图:Imagen 作画
DALL・E、MidJourney 等“闻讯赶来”参与其中。
△ DALL・E 作画
甚至还有把 Wordle 和 DALL-E 2 搞到一起的:
……
不过回归到这次的 Parti,好玩归好玩,但还是有网友提出了“直击灵魂”的问题:
啥时候商业化?要是自己“关门玩”就没意思了。
Parti 论文地址:
https://parti.research.google/
GitHub 项目地址:
https://github.com/google-research/parti
参考链接:
[1]https://twitter.com/lmthang/status/1539664610596225024
[2]https://gizmodo.com/new-browser-game-combines-dall-e-mini-and-wordle-1849105289
[3]https://imagen.research.google/
广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,IT之家所有文章均包含本声明。