共计 8289 个字符，预计需要花费 21 分钟才能阅读完成。
简介：2021 年初，OpenAI 团队公布了可能依据文本形容生成图像的 DALL-E 模型。因为其弱小的跨模态图像生成能力，引起自然语言和视觉圈技术爱好者的强烈追捧。仅仅一年多的工夫，多模态图像生成技术如雨后春笋般开始涌现。本文从技术趣味登程，对多模态图像生成技术与经典工作进行介绍，最初摸索如何应用多模态图像生成进行神奇的 AI 绘画艺术创作。
作者 | 心诚 煁光起源 | 阿里开发者公众号前言什么是 AI？在你的脑海中可能浮现由一个个神经元重叠起来的神经网络。那什么是绘画艺术？是达芬奇的《蒙娜丽莎的微笑》，是梵高的《星空夜》、《向日葵》，还是约翰内斯·维米尔的《戴珍珠耳环的少女》？当 AI 遇上绘画艺术，它们之间能擦出什么样的火花呢？2021 年初，OpenAI 团队公布了可能依据文本形容生成图像的 DALL-E 模型。因为其弱小的跨模态图像生成能力，引起自然语言和视觉圈技术爱好者的强烈追捧。仅仅一年多的工夫，多模态图像生成技术如雨后春笋般开始涌现，期间也诞生了许多利用这些技术进行 AI 艺术创作的利用，比方最近火得一塌糊涂的 Disco Diffusion。现在，这些利用正逐步走进艺术创作者和一般公众的视线，成为了很多人口中的“神笔马良”。本文从技术趣味登程，对多模态图像生成技术与经典工作进行介绍，最初摸索如何应用多模态图像生成进行神奇的 AI 绘画艺术创作。
笔者应用 Disco Diffusion 创作的 AI 绘画艺术作品多模态图像生成概念多模态图像生成（Multi-Modal Image Generation）旨在利用文本、音频等模态信息作为领导条件，生成具备天然纹理的真切图像。不像传统的依据噪声生成图像的单模态生成技术，多模态图像生成始终以来就是一件很有挑战的工作，要解决的问题次要包含：（1）如何逾越“语义鸿沟”，突破各模态之间固有的隔膜？（2）如何生成合乎逻辑的，多样性的，且高分辨率的图像？近两年，随着 Transformer 在自然语言解决（如 GPT）、计算机视觉（如 ViT）、多模态预训练（如 CLIP）等畛域的胜利利用，以及以 VAE、GAN 为代表的图像生成技术有逐步被后起之秀——扩散模型（Diffusion Model）赶超之势，多模态图像生成的倒退一发不可收拾。多模态图像生成技术与经典工作分类依照训练形式采纳的是 Transformer 自回归还是扩散模型的形式，近两年多模态图像生成重点工作分类如下：
Transformer 自回归采取 Transformer 自回归形式的做法往往将文本和图像别离转化成 tokens 序列，而后利用生成式的 Transformer 架构从文本序列（和可选图像序列）中预测图像序列，最初应用图像生成技术（VAE、GAN 等）对图像序列进行解码，失去最终生成图像。以 DALL-E（OpenAI）[1] 为例：
图像和文本通过各自编码器转化成序列，拼接到一起送入到 Transformer（这里用的是 GPT3）进行自回归序列生成。在推理阶段，应用预训练好的 CLIP 计算文本与生成图像的类似度，进行排序后失去最终生成图像的输入。与 DALL-E 相似，清华的 CogView 系列 [2, 3] 与百度的 ERNIE-ViLG [4] 同样应用 VQ-VAE + Transformer 的架构设计，谷歌的 Parti [5] 则将图像编解码器换成了 ViT-VQGAN。而微软的 NUWA-Infinity [6] 应用自回归形式能够做到有限视觉生成。扩散模型扩散模型（Diffusion Model）是一种图像生成技术，最近一年倒退迅速，被喻为 GAN 的终结者。如图所示，扩散模型分为两阶段：（1）加噪：沿着扩散的马尔可夫链过程，逐步向图像中增加随机噪声；（2）去噪：学习逆扩散过程复原图像。常见变体有去噪扩散概率模型（DDPM）等。
采取扩散模型形式的多模态图像生成做法，次要是通过带条件疏导的扩散模型学习文本特色到图像特色的映射，并对图像特色进行解码失去最终生成图像。以 DALL-E-2（OpenAI）[7] 举例，其尽管是 DALL-E 的续作，然而采取的技术路线与 DALL-E 截然不同，其原理更像是 GLIDE [8]（有人称 GLIDE 为 DALL-E-1.5）。DALL-E-2 的整体架构如图所示：
DALL-E-2 应用 CLIP 对文本进行编码，并应用扩散模型学习一个先验（prior）过程，失去文本特色到图像特色的一个映射；最初学习一个反转 CLIP 的过程，将图像特色解码成最终的图像。相比于 DALL-E-2，谷歌的 Imagen [9] 则应用预训练好的 T5-XXL 来取代 CLIP 进行文本编码，而后应用超分扩散模型（U-Net 架构）增大图像尺寸，失去 1024✖️1024 高清的生成图像。小结自回归 Transformer 的引入与 CLIP 比照学习的形式，建设了文本和图像之间的桥梁；同时基于带条件疏导的扩散模型，为生成多样性且高分辨率的图像奠定了根底。然而，评估图像生成品质往往带有主观因素，因而在这里比拟 Transformer 自回归还是扩散模型的技术谁更胜一筹是一件艰难的事件。并且像 DALL-E 系列、Imagen 以及 Parti 等模型在大规模数据集上训练，应用会存在伦理问题以及社会偏见，因而这些模型尚未开源。然而还是有很多爱好者在尝试应用其中的技术，期间也产生了很多可玩的利用。AI 艺术创作多模态图像生成技术的倒退，为 AI 艺术创作提供了更多的可能。目前，被宽泛应用的 AI 创作利用及工具包含 CLIPDraw，VQGAN-CLIP，Disco Diffusion，DALL-E Mini，Midjourney（需被邀请资格），DALL-E-2（需内测资格），Dream By Wombo（App），Meta”Make-A-Scene”，Tiktok“AI 绿幕”性能，Stable Diffusion [10]，百度“一格”等。本文次要利用在艺术创作圈火爆的 Disco Diffusion 进行 AI 艺术创作。Disco Diffusion 简介 Disco Diffusion [11] 是一个在 Github 上由泛滥技术爱好者独特保护的 AI 艺术创作利用，目前曾经迭代了多个版本。从 Disco Diffusion 的名字不难看出，其采纳的技术次要是用 CLIP 疏导的扩散模型。Disco Diffusion 能够依据指定的文本形容（和可选底图）来生成艺术图像或视频。比方输出“花海”，模型就会随机产生一张噪声图像，通过 Diffusion 的去噪扩散过程一步步迭代，达到肯定步数后就能渲染出一张漂亮的图像。得益于扩散模型多样化的生成形式，每次运行程序都会失去不同的图像，这种“开盲盒”的体验着实让人着迷。Disco Diffsion 存在问题基于多模态图像生成模型 Disco Diffusion（DD）进行 AI 创作目前存在以下几个问题：（1）生成图像品质参差不齐：依据生成工作的难易水平，粗略估算形容内容较难的生成工作良品率 20%～30%，形容内容较容易的生成工作良品率 60%～70%，大多数工作良品率在 30～40% 之间。（2）生成速度较慢 + 内存耗费较大：以迭代 250 steps 生成一张 1280*768 图像为例，须要大概破费 6 分钟，以及应用 V100 16G 显存。（3）重大依赖专家教训：选取一组适合的形容词须要通过大量文本内容试错及权重设置、画家画风及艺术社区的理解以及文本修饰词的选取等；调整参数须要对 DD 蕴含的 CLIP 疏导次数 / 饱和度 / 对比度 / 噪点 / 切割次数 / 内外切 / 梯度大小 / 对称 /… 等概念粗浅理解，同时要有肯定的美术功底。泛滥的参数也意味着须要较强的专家教训能力取得一张还不错的生成图像。技能储备针对上述问题，咱们做了一些数据与技术储备，同时 YY 了一些将来可能的利用。如下图所示：
针对第一个问题，咱们从艺术创作社区爬取了近 2w 张 AI 生成的艺术作品，从生成图像的根底属性以及内容合理性进行三分类打标：品质好 / 品质个别 / 品质差，训练一个艺术作品品质评估模型。该模型能主动评估 AI 生成图像的品质并挑选出良品率高的图像，解决手动筛选高质量图像效率低的问题。针对第二个问题，咱们通过缩小迭代次数 + 生成小尺寸图像，而后利用超分辨率算法 ESRGAN 进行高分辨率图像重建的形式，来进步 DD 的生成效率。该办法能达到与 DD 失常迭代生成的图像成果，生成效率与显存优化至多晋升了一倍。针对第三个问题，咱们积淀了一套底图预处理逻辑，包含色温色调调整 / 前背景调色 / 增加噪点等，能疾速利用不同底图生成工作；同时，咱们也积攒了海量的文本提醒词，进行了大量的 DD 调参试错，依赖专家教训生成个性化、多样化的高质量图像。利用这些数据与技术储备，咱们曾经积攒了手机 / 电脑壁纸、艺术姓 / 名、地标城市风格化、数字藏品等多模态图像生成利用形式。上面咱们将展现具体的 AI 生成艺术作品。AI 艺术作品城市地标修建风格化通过输出文本形容与地标城市底图，生成不同格调的画作（动漫格调 / 赛博朋克格调 / 像素画格调）：(1) A building with anime style, by makoto shinkai and beeple, Trending on artstation.(2) A building with cyberpunk style, by Gregory Grewdson, Trending on artstation.(3) A building with pixel style, by Stefan Bogdanovi, Trending on artstation.
数字藏品通过输出文本形容与底图，在底图上进行创作。蚂蚁 Logo 系列（蚂蚁森林 / 蚂蚁小屋 / 蚂蚁飞船）：(1) A landscape with vegetation and lake, by RAHDS and beeple, Trending on artstation.(2) Enchanted cottage on the edge of a cliff foreboding ominous fantasy landscape, by RAHDS and beeple, Trending on artstation.(3) A spacecraft by RAHDS and beeple, Trending on artstation.
蚂蚁小鸡系列（小鸡之变形金刚 / 小鸡之海绵宝宝）：(1) Transformers with machine armor, by Alex Milne, Trending on artstation.(2) Spongebob by RAHDS and beeple, Trending on artstation.
手机 / 电脑壁纸通过输出文本形容，生成手机壁纸：(1) The esoteric dreamscape by Dan Luvisi, trending on Artstation, matte painting vast landscape.(2) Scattered terraces, winter, snow, by Makoto Shinka, trending on Artstation, 4k wallpaper.(3) A beautiful cloudpunk painting of Atlantis arising from the abyss heralded by steampunk whales by Pixar rococo style, Artstation, volumetric lighting.
(4~8) A scenic view of the planets rotating through chantilly cream by Ernst Haeckel and Pixar trending on Artstation, 4k wallpaper.
通过输出文本形容，生成电脑壁纸：(1) Fine, beautiful country fields, super wide angle, overlooking, morning by Makoto Shinkai.(2) A beautiful painting of a starry night, shining its light across a sunflower sea by James Gurney, Trending on artstation.(3) Fairy tale steam country by greg rutkowski and thomas kinkade Trending on artstation.(4) A beautiful render of a magical building in a dreamy landscape by daniel merriam, soft lighting, 4k hd wallpaper, Trending on artstation and behance.
AI 艺术姓通过输出文本形容与姓氏底图，生成不同格调的艺术姓：(1) Large-scale military factories, mech testing machines, Semi-finished mechs, engineering vehicles, automation management, indicators, future, sci-fi, light effect, high-definition picture.(2) A beautiful painting of mashroom, tree, artstation, Artstation, 4k hd wallpaper.(3) A beautiful painting of sunflowers, fog, unreal engine, shining its light across a tumultuous sea of blood by greg rutkowski and thomas kinkade, Artstation, Andreas Rocha, Greg Rutkowski.(4) A beautiful painting of the pavilion on the water presents a reflection, by John Howe, Albert Bierstadt, Alena Aenami, and dan mumford concept art wallpaper 4k, trending on artstation, concept art, cinematic, unreal engine, trending on behance.(5) A beautiful landscape of a lush jungle with exotic plants and trees, by John Howe, Albert Bierstadt, Alena Aenami, and dan mumford concept art wallpaper 4k, trending on artstation, concept art, cinematic, unreal engine, trending on behance.(6) Contra Force, Red fortress, spacecraft, by Ernst Haeckel and Pixar, wallpaper hd 4k, trending on artstation.
其余 AI 艺术创作利用 Stable Diffusion [10, 12] 展示了比 Disco Diffusion [11] 更加高效且稳固的创作能力，尤其是在“物”的刻画上更加突出。下图是笔者利用 Stable Diffusion，依据文本创作的 AI 绘画作品：
总结瞻望本文次要介绍了近两年来多模态图像生成技术及相干的停顿工作，并尝试应用多模态图像生成进行多种 AI 艺术创作。接下来，咱们还将摸索多模态图像生成技术在生产级 CPU 上运行的可能性，以及联合业务为 AI 智能创作赋能，并尝试更多如电影、动漫主题封面，游戏，元宇宙内容创作等更多相干利用。应用多模态图像生成技术进行艺术创作只是 AI 自主生产内容（AIGC，AI generated content）的一种利用形式。得益于以后海量数据与预训练大模型的倒退，AIGC 可能减速落地，为人类提供更多优质内容。或者，通用人工智能又迈进了一小步？如果你对本文波及到的技术或者利用感兴趣，欢送共创交换。参考文献 [1] Ramesh A, Pavlov M, Goh G, et al. Zero-shot text-to-image generation[C]//International Conference on Machine Learning. PMLR, 2021: 8821-8831.[2] Ding M, Yang Z, Hong W, et al. Cogview: Mastering text-to-image generation via transformers[J]. Advances in Neural Information Processing Systems, 2021, 34: 19822-19835.[3] Ding M, Zheng W, Hong W, et al. CogView2: Faster and Better Text-to-Image Generation via Hierarchical Transformers[J]. arXiv preprint arXiv:2204.14217, 2022.[4] Zhang H, Yin W, Fang Y, et al. ERNIE-ViLG: Unified generative pre-training for bidirectional vision-language generation[J]. arXiv preprint arXiv:2112.15283, 2021.[5] Yu J, Xu Y, Koh J Y, et al. Scaling Autoregressive Models for Content-Rich Text-to-Image Generation[J]. arXiv preprint arXiv:2206.10789, 2022.[6] Wu C, Liang J, Hu X, et al. NUWA-Infinity: Autoregressive over Autoregressive Generation for Infinite Visual Synthesis[J]. arXiv preprint arXiv:2207.09814, 2022.[7] Ramesh A, Dhariwal P, Nichol A, et al. Hierarchical text-conditional image generation with clip latents[J]. arXiv preprint arXiv:2204.06125, 2022.[8] Nichol A, Dhariwal P, Ramesh A, et al. Glide: Towards photorealistic image generation and editing with text-guided diffusion models[J]. arXiv preprint arXiv:2112.10741, 2021.[9] Saharia C, Chan W, Saxena S, et al. Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding[J]. arXiv preprint arXiv:2205.11487, 2022.[10] Rombach R, Blattmann A, Lorenz D, et al. High-resolution image synthesis with latent diffusion models[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2022: 10684-10695.[11] Github: https://github.com/alembics/d…[12] Github: https://github.com/CompVis/st… 举荐浏览 1. 代码圈复杂度治理小结 2. 如何写出无效的单元测试 3. java 利用提速 (速度与激情) 大数据 &AI 实战派 第 1 期《大数据 &AI 实战派》系列电子书由阿里云开发者社区与阿里灵杰独特打造，笼罩数据计算、数据分析、数据湖 / 湖仓一体、机器学习等多个畛域，解读各技术畛域根底原理，分析行业实际案例。电子书第 1 期以《阿里云大数据常识图谱》为外围，通过阿里云大数据 &AI 产品能力介绍联合操作实际，造就大数据开发者从“生产 - 采集 - 存储 - 剖析 - 开发 - 治理 - 价值体现”的技术能力。点击这里，查看详情。原文链接：https://click.aliyun.com/m/10… 本文为阿里云原创内容，未经容许不得转载。
