一个文本-图像对数据都不用，也能让 AI 学会看文作图？来自字节的最新 text2image 模型，就做到了。实验数据显示，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。
嗯？不给文字注释 AI 怎么知道每一张图片代表什么？这个模型到底咋训练出来的？
不用文字训练也能根据文本生成图像
首先，之所以选择这样一种方式，作者表示，是因为收集大量带文字的图像数据集的成本太高了。而一旦摆脱对文本-图像对数据的需求，我们就可以直接用大型无文本图像数据集 （比如 ImageNet）来训练强大且通用的 text2image 生成器。字节实现的这个模型叫做 CLIP-GEN，它具体是怎么操作的？
一共分三大步。
首先，对于一幅没有文本标签的图像，使用 CLIP 的图像编码器，在语言-视觉（language-vision）联合嵌入空间（embedding space）中提取图像的 embedding。
接着，将图像转换为 VQGAN 码本空间（codebook space）中的一系列离散标记（token）。也就是将图像以与自然语言相同的方式进行表示，方便后续使用 Transformer 进行处理。其中，充当 image tokenizer 角色的 VQGAN 模型，可以使用手里的无标记图像数据集进行训练。
最后，再训练一个自回归 Transformer，用它来将图像标记从 Transformer 的语言-视觉统一表示中映射出对应图像。经过这样的训练后，面对一串文本描述，Transformer 就可以根据从 CLIP 的文本编码器中提取的文本嵌入（text embedding）生成对应的图像标记（image tokens）了。
那这样全程没有文本数据参与训练的文本-图像生成器，效果到底行不行？
性能与清华 CogView 相当
作者分别在 ImageNe 和 MSCOCO 数据集上对 CLIP-GEN 进行训练和评估。首先，用 MS-COCO 验证集中的六个文本描述生成样本。CLIP-GEN 和其他通过大量文本-图像对训练的 text2image 生成模型的效果对比如下：
其中，VQGAN-CLIP 的结果比较不真实，并且伴随严重的形状扭曲。来自清华的 CogView 号称比 DALL-E 更优秀，在这里的实验中，它确实可以生成良好的图像结构，但在纹理细节上差点儿事儿。DF-GAN 可以生成具有丰富细节的合理图像，但也容易产生局部伪影。
作者认为，与这些对比模型相比，CLIP-GEN 的图像细节更丰富，质量更高一些，比如它就很好地诠释了第二组文字中要求的“水中倒影”（不过不太能理解“三只毛绒熊“中的数字概念）。
定量实验结果基本证明了这一结论：
CLIP-GEN 拿到了最高的 FID-0、FID-1 分数；CapS 得分（衡量输入文本和生成图像之间的语义相似性）除了比 CogView 低 4%，比其他模型都高很多。
此外，作者还发现，CLIP-GEN 的泛化能力似乎也不错。在下面这组非常规的文字描述中，比如生成“一只会飞的企鹅”，“叼雪茄的狗”、“有脸和头发的柠檬”……CLIP-GEN 基本都可以实现，别的模型却不太能理解。
作者介绍
本模型的五位作者全部来自字节。
一作 Wang Zihao 本科毕业于北京理工大学，博士毕业于 UC 伯克利，曾在谷歌担任 3 年软件开发工程师，现就职于 TikTok。
通讯作者名叫易子立，本科毕业于南京大学，博士毕业于加拿大纽芬兰纪念大学，目前在字节担任人工智能专家（主要研究多模态、超分辨率、人脸特效），在此之前，他曾在华为工作。
论文地址：
https://arxiv.org/abs/2203.00386