实验|King小杞 算力支持|幻方AIHPC
CLIP-GEN
随着 Transformer 模型的发展,近些年多模态模型获得了长足的发展,使得不同任务不同领域可以实现特征的打通,变换出很多新奇好玩的场景。其中非常热门的就是让 AI 学会看文作图,即文字生成图像,如 OpenAI 的 CLIP 模型,其基于带文字的图像数据集上,训练出很惊艳的效果。
然而,收集这些带文字的图像数据集成本非常高。最近字节在 Arxiv 上发表了一项文本生成图像 (text2img) 的工作,其利用对抗网络 GAN 改造 CLIP模型,使得 CLIP-GEN 可以不依赖带文字描述的图片数据集,直接使用无文本图像数据集进行训练,通过预训练好的 CLIP 模型建立起文本和图像的映射关系。在很多实验数据中表明,它的效果比 VQGAN-CLIP 要真实,尤其是泛化能力还比不少用大量“文本-图像”数据对训练出来的模型要好很多。