✦
DALL . E 2：升级
✦
还记得2021年刷爆AI圈的DALL·E，它是基于文本token来生成超现实主义的图像，比如下面的牛油果形状的椅子。
最近，OpenAI基于其1.0版本进行了升级，发布了DALL·E 2。该版本除了可以像1.0版本一样，从自然语言的描述中创建逼真的图像和艺术，还可以：
1 | 对现有生成的图片进行二次创作：添加和删除元素的阴影,反射,和纹理。 |
|---|---|
2 | 根据现有图片进行风格迁移 |
3 | 生成高像素的图片 |
二次创作：编辑图像
例如在下面图中，旋转一个位置放置火烈鸟：
风格迁移
根据提供的一张图片，生成另一种风格
生成高像素的图片
对比于1.0版本，升级之后的DALL能够生成更高像素的图片：
一些网友已经纷纷开启试用：
文本内容：1980年代，泰迪熊在月球上进行人工智能研究
文本内容：蒙娜丽莎在喝酒
从上面可以看出，DALL.E 2生成的效果可以和画家画出的图片媲美。
体验网址如下（不过需要加入waitlist）： https://labs.openai.com/waitlist
✦
技术细节
✦
01
CLIP
✦
CLIP是 基于文本-图像对 的预训练方法，它主要是通过对比学习思想，来匹配对应的图像和其文字描述。其中包含了`text-encoder`和`image-encoder`。对于一个包含 个文本-图像对的数据集来说，对比学习就是将 个图像和 个文本进行两两匹对，然后预测出其相似概率。其中只有 个是正样本（图中对角线元素），其余 为负样本。
CLIP模型可以直接实现zero-shot分类，即不需要任何训练数据，就能在某个具体下游任务上实现分类。
1 | 据任务构造分类标签文本：A photo of {label}，通过`text-encoder`得到对应的文本特征 |
|---|---|
2 | 将要预测的图像经过`image encoder`得到输出特征，然后与第一步的输出进行余弦相似计算，得到预测概率 |
02
DALL.E 2具体方法
✦
在训练集上构成 ，其中 为图片， 为其说明文字。给定图片 ， 表示CLIP模型生成的图像特征， 表示CLIP生成的文本特征。
生成图片主要有两个步骤：
1 | 利用真实文本描述 ，通过CLIP生成的图像特征 |
|---|---|
2 | 利用真实文本描述 和CLIP生成的图像特征 ，解码成图片 |
✦
后续
✦
图像生成工具一直是黑产可利用的工具之一。在限制措施上，OpenAI限制了DALL·E 2生成暴力、仇恨或成人图像的能力。同时还使用了先进的技术来防止生成真实人物的脸，包括公众人物的脸照片生成。
果过滤器识别出可能违规的文本提示和图像上传，将不会生成图像。这样将会有效的减少DALL.E 2工具的滥用。
目前DALL.E 2还处于测试阶段，OpenAI一直寻找外包专家合作，并将提供给一定量的可信任用户使用。官网中提到：随着时间的推移，将计划邀请更多的人来预览这项研究，以了解并不断改进我们的安全系统。
公众号｜算法一条狗
知乎｜算法一条狗
