OpenAI刚刚推出了一个新的文本生成图像模型，名叫GLIDE。
相比今年年初诞生的大哥DALL·E，它只有35亿参数（DALL·E有120亿）。
规模虽然小了，质量却不赖。
大家仔细看这效果，“使用计算器的刺猬”、“星空下的狐狸”、“彩色玻璃窗风格的熊猫吃竹子”、“太空升降舱蜡笔画”：
是不是很像样儿？
一位码农兼艺术家的网友则形容它“和真的难以区分”。
GLIDE在人类评估员的打分中，确实PK掉了使用CLIP给图片排序的DALL·E。
最有趣的是，这个GLIDE似乎具有“智力”——会否决你画出八条腿的猫的主意，也不认为老鼠可以捕食狮子。
OpenAI岁末新作GLIDE
GLIDE全称Guided Language to Image Diffusion for Generation and Editing，是一种扩散模型 （diffusion model）。
扩散模型最早于2015提出，它定义了一个马尔可夫链，用于在扩散步骤中缓慢地向数据添加随机噪声，然后通过学习逆转扩散过程从噪声中构建所需的数据样本。
相比GAN、VAE和基于流的生成模型，扩散模型在性能上有不错的权衡，最近已被证明在图像生成方面有很大的潜力，尤其是与引导结合来兼得保真度和多样性。
研究人员训练了一个64×64分辨率的文本条件扩散模型，参数35亿；以及一个256×256分辨率的文本条件上采样扩散模型，参数15亿。
模型有两种引导形式来获得更好的生成效果：无分类器引导（classifier-free guidance）和CLIP引导。
对于CLIP引导，他们还训练了一个噪声感知的64×64 ViT-L CLIP模型 (vit)。
模型采用了SOTA论文《Improved Denoising Diffusion Probabilistic Models》（改进的去噪扩散概率模型）的架构，使用文本条件信息对其进行增强。
对于每个带噪图像xt和相应的提示文本caption，该模型预测出p(xt-1|xt，caption)。
为了对文本进行条件处理，模型还将文本编码为K个token的序列，并将这些token馈送到Transformer中，此Transformer的输出有两个用处：
1、在ADM模型中使用最终token embedding来代替class embedding;
2、token embedding的最后一层在整个ADM模型中分别映射每个注意层的维度，然后连接到每个层的注意上下文。
研究人员在与DALL·E相同的数据集上训练GLIDE，batch size为2048，共经过250万次迭代；对于上采样模型，则进行了batch size为512的160万次迭代。
这些模型训练稳定，总训练计算量大致等于DALL·E。
在初始训练完成之后，研究人员还微调了基础模型以支持无条件图像生成。
训练过程与预训练完全一样，只是将20%的文本token序列替换为空序列。这样模型就能既保留文本条件生成的能力，也可以无条件生成。
为了让GLIDE在图像编辑任务中产生不必要的伪影，研究人员在微调时将GLIDE训练样本的随机区域擦除，其余部分与掩码通道一起作为附加条件信息输入模型。
相比DALL·E，GLIDE的效果更逼真
定性实验
研究人员首先比较了GLIDE两种不同的引导策略：CLIP引导和无分类器引导。
分别用XMC-GAN、DALL·E（使用CLIP重排256个样本，从中选择最佳结果）和CLIDE模型（CLIP引导/无分类器引导）在相同的文本条件下生成了一些结果。
CLIDE模型的结果未经挑选。
可以发现，无分类器引导的样本通常比CLIP引导的看起来更逼真，当然，两者都胜过了DALL·E。
对于复杂的场景，CLIDE可以使用修复功能进行迭代生成：比如下图就是先生成一个普通客厅，再加画、加茶几、加花瓶……
此外，CLIDE还可以在SDedit模型上利用草图与文本相结合的方式，对图像进行更多受控修改。
定量实验
研究人员首先通过衡量质量和保真度的帕累托边界（Pareto frontier）来评估无分类引导和CLIP引导之间的差异。
在前两组曲线中，可以发现无分类器引导几乎都是最优的——不管是在准确率/召回率上，还是在IS/FID距离上。
而在绘制CLIP分数与FID的关系时，出现了完全相反的趋势。
研究人员假设这是CLIP引导正在为评估CLIP模型寻找对抗性示例，而并非真正优于无分类器引导。为了验证这一假设，他们聘请了人工评估员来判断生成图像的质量。
在这个过程中，人类评估者会看到两个256×256的图像，选择哪个样本更好地匹配给定文本或看起来更逼真。如果实在分辨不出，每个模型各得一半分数。
结果如下：
无分类器引导产生了更符合相应提示的高质量样本。
同时，研究人员也将CLIDE与其他生成模型的质量进行了评估：CLIDE获得了最有竞争力的FID分数。
再将GLIDE与DALL-E进行人工评估。
包含三种比法：两种模型都不使用CLIP重排序；仅对DALL·E使用CLIP重排序；对DALL-E使用CLIP重排序，并通过DALL-E使用的离散VAE映射GLIDE样本。
结果是不管哪种配置，人类评估员都更倾向于GLIDE的结果（每项第一行代表GLIDE）。
当然，说这么多，GLIDE也有它的不足，就如开头的例子，它没法画出不合常理的“八条腿的猫”，也就是有智力但缺乏想象力。
此外，未优化的GLIDE需要15秒才能在单张A100 GPU上生成一张图像，这比GAN慢多了。
最后，po一张我们在官方发布的Colab链接上亲手试的一张效果，还凑合（an illustration of a rabbit，demo上的模型比较小）：