【论文精读】DALL·E2

摘要

       CLIP被证明其可以学习到鲁棒的图像特征，可以有效的捕获图像的语义和风格，且具有很强的zero-shot能力。另外，Diffusion是目前最优的生成式框架，其推动了图像、视频生成任务的最先进性能。Classifier-Free Diffusion指导技术以样本多样性为代价提高了样本保真度，达到了最佳结果。本文通过结合这两种方法设计了一个图像生成模型DALL-E2，以充分利用CLIP的特征。

       本文提出一个两阶段模型，首先给定一个文本标题，通过Prior模型生成类似CLIP的图像embedding，随后以图像embedding为条件，通过解码器生成图像。Prior和解码器都使用Diffusion模型。

       采用图像embedding作为生成条件可以有效提高图像多样性，在保真度和符合文本标题主题方面损失最小。以图像embedding为条件的解码器还可以产生图像的变体，其生成在保留原始图像embedding的语义和风格的同时，可以改变图像embedding的非必要细节。如，利用CLIP的联合embedding空间能够以zero-shot的方式通过语言引导来操作图像。具体改进有：

• 通过以CLIP图像编码器监督Prior模型，得到Prior模型的可以从给定的文本标题生成可能的CLIP图像embedding
• 通过将本文方法与DALL-E、GLIDE比较，发现本文模型生成的样本在质量上与GLIDE生成相当，且更具多样性
• 开发了在 latent空间中训练Diffusion Prior的方法，并表明其具有与自回归 Prior相当的性能，但计算效率更高
• 将完整的文本条件图像生成堆栈称为unCLIP，因为其通过反转CLIP图像编码过程来生成图像（CLIP由图像生成图像embedding，unCLIP由图像embedding生成图像）
  

       上图为unCLIP模型生成的$1024\times 1024$分辨率的图像示例。

框架

Method

       本文的训练数据集由成对的图像/文本标题$(x,y)$组成。给定一组图像/文本对，其CLIP图像/文本embedding设为$z_i$、$z_t$，并使用两个组件从文本标题中生成图像：

• 以文本标题$y$为条件生成CLIP图像embedding$z_i$的Prior模型$P(z_i|y)$
• 以CLIP图像embedding$z_i$（和可选的文本标题$y$）为条件生成图像$x$的解码器模型$P(x|z_i,y)$

       解码器允许根据CLIP图像embedding来反转图像，Prior允许学习图像embedding本身。堆叠这两个组件可以得到生成模型：
$$P(x|y)=P(x,z_i|y)=P(x|z_i,y)P(z_i|y)$$

       基于此，可以通过首先使用Prior采样$z_i$，然后使用解码器采样$x$，从真实条件分布中采样$P(x|y)$。整体结构如上图。

Decoder

       解码器以CLIP图像embedding（和可选的文本标题）为条件使用Diffusion模型来生成图像。具体，首先将CLIP embedding投影并添加到现有的timestep embedding，再将CLIP embedding投影到四个额外上下文tokens，并连接到GLIDE文本编码器输出序列，基于此修改GLIDE架构。其中保留了原始GLIDE模型的文本调节路径，假设其可以允许Diffusion模型学习CLIP未能捕捉的自然语言信息，但实验发现其在这方面提供的帮助很少。

       以往Diffusion模型的工作表明，基于条件信息的guidance可以大大提高了生成的样本质量。故在训练过程中，10％的时间中随机的将CLIP图像embedding置为零，50％的时间中随机的丢弃文本标题（文本调节路径），基于此启用classifier-free guidance以提示生成样本质量。

       编码器模型只使用了空间卷积（即没有注意力层），故为了生成高分辨率图像，本文训练了两个Diffusion上采样模型，一个将图像从$64\times 64$上采样到$256\times 256$分辨率，另一个会进一步将其上采样到$1024\times 1024$分辨率。为了提高上采样器的鲁棒性，训练过程中会略微破坏条件图像，第一个上采样阶段使用了高斯模糊，第二个阶段使用了更多样化的BSR退化。为了减少训练计算量并提高数值稳定性，模型在给定图像的四分之一的随机裁剪上进行训练，推理时则直接将模型应用于给定图像。文本标题上采样器使用没有guidance的无条件 ADMNets。

Prior

       Prior为一个从文本标题生成$z_i$的模型，本文探索两个不同的方法：

• 自回归（AR）Prior：将CLIP的图像编码器编码的embedding$z_i$转换为离散编码序列作为监督目标，并根据文本标题$y$进行自回归预测
• Diffusion Prior：直接使用CLIP的图像编码器编码的embedding$z_i$作为监督目标，并以文本标题$y$为条件的Gaussian Diffusion模型建模

       除了直接使用标题$y$，还可以将Prior条件设置为由CLIP文本编码器编码的文本embedding$z_t$，因为其为标题$y$的确定性函数。为了提高生成的样本质量，在训练期间10％的时间会随机丢弃文本条件信息，以对AR和Diffusion Prior使用classifier-free guidance采样。

       为了更有效地训练和采样AR Prior，首先通过主成分分析（PCA）降低CLIP图像embedding$z_i$ 的维度。实验发现，按照特征值大小降序排列主成分，对原始的1024个主成分只保留前319个主成分，就能够保留几乎所有的原始信息。将这319个维度中的每一维都量化为1024个离散的buckets，并使用带有因果注意力mask的Transformer模型预测结果序列，这使得推理过程中需要预测的token数量减少了三倍，并提高了训练的稳定性。

       对于AR Prior，使用CLIP文本编码器编码文本描述，作为AR Prior的序列条件的前缀。并添加一个tokens，表示CLIP文本embedding和CLIP图像embedding之间（量化）点积$z_i\cdot z_t$，这可以使模型根据更高的点积进行条件化，因为较高的文本/图像点积对应于更好地描述图像的标题。

       对于Diffusion Prior，使用一串序列来训练一个具有因果注意力mask的仅解码器的Transformer，该序列由编码的文本、CLIP文本embedding、Diffusion timestep的embedding、含噪CLIP图像embedding和作为预测结果的未含噪CLIP图像embedding。为了提高生成质量，每个去噪过程中都会生成两个$z_i$，并选择与$z_t$具有更高点积的$z_i$来作为生成结果。Diffusion Prior会直接预测无噪声的$z_i$，并在此预测上使用均方误差损失：
$$L_{prior}=E_{t\sim [1,T],z_i^{(t)}\sim q_t}[||f_{\theta }(z_i^{(t)},t,y)-z_i|{|}^2]$$

实验

Image Manipulations

       本方法允许将任何给定的图像$x$编码为bipartite latent表示$(z_i,x_T)$，这足以使解码器产生准确的重建。latent的$z_i$描述了由CLIP识别的图像特征，而latent的$x_T$编码了解码器重建$x$所需的所有残差信息。 前者通过使用CLIP图像编码器对图像编码获得，后者以$z_i$为条件，并使用解码器对$x$应用DDIM反演获得。本章描述了由这种bipartite表示启发的三种不同类型的操作。

Variations

       给定图像$x$，unCLIP可以生成基本内容相同，但在其他方面（形状和方向）有所不同的图像。具体过程，将解码器应用于$x$的二部图表示$(z_i,x_T)$，其通过$\eta >0$的DDIM进行采样。当$\eta =0$时，解码器变得确定，将重建给定的图像$x$。随着$\eta$的增加，会将随机性引入连续的采样步骤，导致最终生成的图像相对于原始图像的变化，这些变化可以阐述CLIP图像 embedding中捕获和丢失的信息。（如上图）

Interpolations

       unCLIP可以将两个图像$x_1$和$x_2$进行混合，并遍历发生在两图之间的CLIPembedding空间中的所有概念（如上图）。具体过程，使用球面插值旋转$x_1$和$x_2$的CLIPembedding$z_{i_1}$和$z_{i_2}$，并产生中间CLIP表示$z_{i_{\theta }}=slerp(z_{i_1},z_{i_2},\theta )$。因为$\theta$从0到1变化，故沿着轨迹产生中间DDIM latent表示的方法有两种：

• 在DDIM反演latent变量$x_{T_1}$和$x_{T_2}$之间进行插值（$x_{T_{\theta }}=slerp(x_{T_1},x_{T_2},\theta )$），这产生一个单一的轨迹，其两个端点为重建$x_1$和$x_2$
• 将DDIM latent变量固定为整个轨迹中所有插值的随机抽样值。这导致$x_1$和$x_2$之间有无限多的轨迹，这些轨迹的端点通常也不再与原始图像重合

Text Diffs

       CLIP的一个关键优势在于，其将图像和文本embedding到了相同的latent空间中，从而允许用户通过语言引导图像操作（如上图）。具体过程，首先获取操作文本的CLIP文本embedding$z_t$，以及当前图像标题的CLIP文本$z_{t_0}$。然后，通过取它们的差并归一化来计算文本差异向量$z_d=norm(z_t-z_{t_0})$。再用球面插值在CLIP图像embedding $z_i$和文本差异向量$z_d$之间旋转，产生中间CLIP表示$z_{\theta }=slerp(z_i,z_d,\theta )$，其中$\theta$从0线性增加到$[0.25,0.50]$中的最大值。最后通过解码插值$z_{\theta }$来生成最终输出，在整个轨迹中将基础DDIM噪声固定为$x_T$。

Probing the CLIP Latent Space

       解码器模型可以可视化CLIP图像编码器编码的内容，这为探索CLIP的latent空间提供了独特的机会。回顾CLIP预测错误的情况，例如typographic attacks，在这些对抗性图像中，一段文本会覆盖在图像的主要对象之上，这导致CLIP预测了覆盖文本中描述的对象，而不是图像主要内容描述的对象。如上图，苹果可能被错误地分类为iPod。但即使这种情况，unCLIP的解码器仍然高概率生成了苹果的图片，即使CLIP预测的”Granny Smith”概率接近于零。

       PCA重建提供了另一种探索CLIP latent空间结构的工具。基于PCA的主成分排序CLIP图像embedding的维度，当逐步增加重建所用的图像embedding维度时，在固定种子的解码器上使用DDIM对重建的图像embedding进行可视化，可观察到CLIP图像embedding的不同维度编码的语义信息。

       早期的PCA维度保留了粗粒度的语义信息，如场景中物体的类型，而后期的PCA维度编码了细粒度的细节，如物体的形状和精确形式。例如，在第一个场景中，较早的维度似乎表示有食物和一个容器存在，而较晚的维度则表示有西红柿和一个瓶子。

Text-to-Image Generation

Importance of the Prior

       因为unCLIP是classifier-free guidance的，所以其解码器的条件可以是CLIP图像embedding或文本标题embedding或直接采用文本为条件。基于此进行实验，结果如上图。前两行为没有Prior模型的情况下，直接采用文本条件和文本embedding条件生成的样本，第三行为通过Prior模型的知识生成的样本。观察到，只采用文本的生成结果是最糟糕的，但基于文本embedding的约束zero-shot产生了合理的结果。故基于此观察，另一种方法是可行的训练解码器的方法是以CLIP文本embedding而不是CLIP图像embedding为条件。

       故训练了两个模型，一个以CLIP文本embedding为条件的小型解码器，和一个小型unCLIP堆栈（Diffusion Prior和解码器）。基于此，实验比较了来自文本embedding解码器的生成样本，unCLIP堆栈的生成样本，以及从将文本embedding提供给unCLIP解码器通过zero-shot获得的生成样本。实验发现，这些方法在测试集上的FID分别为9.1、7.99和16.55，表明unCLIP方法是最好的。另外还对前两个设置进行了人工评估，实验发现，人类更偏好完整的unCLIP堆栈，其图像真实感为57.0％±3.1％，标题相似性为53.1％±3.1％ 。

       鉴于Prior的重要性，还比较了AR和Diffusion Prior。发现在所有情况下，Diffusion Prior在可比的模型大小和更少的训练计算量的情况下优于AR Prior。

Human Evaluations

       本节基于人工评估，将unCLIP与GLIDE的生成在图像真实感、标题相似性和样本多样性方面进行了比较。 对于真实感，用户会看到成对的图像，并在其中选择看起来更逼真的图像。对于标题相似度，用户会被提示一个标题，并从图像对中选择与标题更匹配的图像。在这两个评估中，还有第三个“不确定”选项。对于多样性，会向用户展示一对$4\times 4$网格的生成样本，并从两者中选择哪个更多样化，此评估使用MS-COCO验证集中的1000个标题来生成样本网格，并始终对相同标题生成的样本网格进行比较。

       结果如上表。观察到，在与GLIDE进行两两比较时，Diffusion Prior比AR Prior表现总体而言更好。在逼真度方面，人类偏好稍稍倾向了GLIDE，但unCLIP与其差距非常小。另外，unCLIP在多样性方面取得了更好的结果，突出了其优势。

Improved Diversity-Fidelity Trade-off with Guidance

       与GLIDE相比，unCLIP能够生成更多样化的图像，在利用指导技术后可进一步提高样本质量。如上图，在不同指导尺度的GLIDE和unCLIP的生成。观察到，GLIDE生成的语义（相机角度、颜色、大小）会随着指导尺度增大而收敛，而unCLIP不存在这种问题，因为其语义信息在CLIP图像embedding中被冻结，因此在引导解码器时不会崩溃。

       unCLIP在与GLIDE类似的图像真实感的情况下，保持了更多的多样性，但其标题匹配能力略差。故本节实验了在降低GLIDE的指导尺度的情况下，是否可以获得与unCLIP相同的多样性水平，同时保持更好的标题匹配能力。结果如上图，通过对GLIDE在几个不同指导尺度上执行人工评估，发现GLIDE在引导尺度为2.0时，其生成的真实感和标题相似性非常接近于unCLIP，但多样性仍然较差。

       本节实验固定了unCLIP Prior的指导尺度，只改变解码器的指导尺度，并在MS-COCO的zero-shot配置下实验了两个模型的FID。结果如上图，发现指导技术对unCLIP的FID提升要比GLIDE高得多。同时也表明指导技术对GLIDE的多样性的伤害比unCLIP大得多，因为FID严重惩罚了非多样性。

Comparison on MS-COCO

       上表为在MS-COCO上对比了不同模型的文生图FID基准测试的结果。与GLIDE和DALL-E一样，unCLIP也没有直接在MS-COCO训练集上进行训练，但仍然可以以zero-shot泛化到其验证集。与其他zero-shot模型相比，unCLIP在用Diffusion Prior采样时实现了10.39的最先进水平的FID。

       上图在MS-COCO的几个标题上，将unCLIP与最近的一些文生图模型的生成进行了可视化比较。观察到，与其他方法一样，unCLIP也捕捉到了文本prompt的现实场景。

Aesthetic Quality Comparison

       本文还将unCLIP与GLIDE进行了automated aesthetic quality评估，评估目标为每个模型制作的艺术插图和照片的效果。为此，通过提示GPT-3现有艺术品的标题（真实的和人工智能生成的），生成了512个“artistic”prompt标题。另外，使用了AVA数据集训练了一个CLIP线性检测器来预测人类的审美判断。对于每个模型和一组采样超参数，都会分别为每个prompt生成4张图像，并报告CLIP线性检测器在2048张图像的平均审美判断。

       结果如上图。观察到，指导技术提高了GLIDE和unCLIP的aesthetic quality（unCLIP只对解码器指导）。因为指导通常会导致真实度和多样性的权衡，故还绘制了aesthetic quality与召回率的关系，实验结果显示，引导unCLIP并没有降低召回率，同时仍然具有较高的aesthetic quality。

Limitations and Risks

       在CLIPembedding上调节图像生成虽然可以提高多样性，但unCLIP在标题属性绑定到对象方面的能力比相应的GLIDE模型更差。

       如上图，提示模型必须将两个单独的对象（立方体）绑定到两个单独的属性（颜色）。

       本文假设这种情况的发生是因为CLIP embedding本身没有显式地将属性绑定到对象，故从解码器进行的重建时经常会混淆属性和对象，如上图。

       同时，类似的、可能相关的问题是unCLIP难以生成连贯的文本，如上图。unCLIP embedding可能无法精确编码呈现文本的拼写信息，因为CLIP文本编码器使用的BPE编码会模糊标题中单词的拼写，因此训练过程中模型需要独立地看到每个输入token（图像/文本token），以便学习渲染。

       另外模型在复杂的场景中难以产生相关细节，如上图。本文假设这是由于解码器的层次结构限制，故以更高的基础分辨率训练unCLIP解码器应该能够缓解这一问题，但代价是额外的训练和推理计算量。

Appendix

Training Details

       本文实验中使用的unCLIP模型全部采用以下描述的超参数进行训练。相比于原始unCLIP，unCLIP的生产版本训练了更长时间，且修改了原始架构，包括适应产品和安全要求的更改，并在经过aesthetic quality和安全性过滤的更大数据集上进行训练。上表为本文模型的模型和训练超参数，所有模型都使用Adam进行训练，并采用权重衰减和${\beta }_1=0.9$的动量。

       本文采用的CLIP模型使用了ViT-H/16作为图像编码器，该编码器输入分辨率为$256\times 256$，并具有宽度为1280的32个Transformer块。文本编码器为一个具有因果注意力mask的Transformer，具有宽度为1024的24个Transformer块。两个模型都使用$3\times 10^{-4}$的学习率和$\rho =0.1$的SAM进行训练。

       在训练编码器时，等概率的从CLIP和DALL-E采用的数据集（总共大约650万张图像）中采样数据。 在训练解码器、上采样器和Prior时，只使用DALL-E的数据集（大约250M张图像）。

       unCLIP的解码器架构是35亿参数的GLIDE模型，并使用以学习过sigma进行训练。

       使用ADMNet作为上采样器，在第一个上采样阶段，使用cosine noising schedule，每种分辨率下都有3层resblocks，通道数为320，另外还采用了高斯模糊（内核大小3，sigma 0.6）作数据增强。第二个上采样阶段，使用linear noising schedule，每种分辨率下有两层resblocks，通道数为192，并使用BSR退化进行训练。对于Diffusion过程，为了减少推理时间使用DDIM并手动调整降噪步骤数量，$256\times 256$模型有27个步骤，$1024\times 1024$模型有15个步骤。

       对于AR Prior，使用宽度为2048的24个Transformer块的文本编码器和宽度为1664的24个因果注意力mask解码器。对于Diffusion Prior，使用宽度为2048的24个Transformer块，并用DPM进行采样，采样步骤为64步。

Random samples

       下列图为DALL-Ev2由给定prompt生成的一些示例。

reference

Ramesh, A. , Dhariwal, P. , Nichol, A. , Chu, C. , & Chen, M. . (2022). Hierarchical text-conditional image generation with clip latents. arXiv e-prints.