多模态逆天图片生成，OpenAI又一力作：DALL·E 2

1.DALL . E 2：集艺术之大成

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：

• 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。
• 根据现有图片进行风格迁移
• 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

2. 技术细节

2.1 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$N$个文本-图像对的数据集来说，对比学习就是将N个图像和N个文本进行两两匹对，然后预测出其相似概率。其中只有$N$个是正样本（图中对角线元素），其余$N^2-N$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。

• 根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
• 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
  

2.2 DALL.E 2具体方法

在训练集上构成$(x,y)$，其中$x$为图片，$y$为其说明文字。给定图片$x$，$z_i$表示CLIP模型生成的图像特征，$z_t$表示CLIP生成的文本特征。

生成图片主要有两个步骤：

• 利用真实文本描述$y$ ，通过CLIP生成的图像特征$z_i$
• 利用真实文本描述$y$和CLIP生成的图像特征$z_i$，解码成图片$x$

3.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。

如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。