论文与应用简介：基于DALL·E的Pokémon角色生成（平面图像）
版权声明：禁止转载。（首发时间：2022-02-22，更新时间：2022-02-26） | 个人笔记，仅供参考。所列出的论文大多尚处于研究阶段。
1. 基本信息
项目名称：ai-generated-pokemon-rudalle
基于微调ruDALL-E的Pokémon角色自动生成
提出时间：2021年12月
研究领域：计算机图形学，深度学习，图像生成
代码：github.com/minimaxir/ai-generated-pokemon-rudalle
（备注：作者另外在某娱乐资讯类网站buzz*上放了一个娱乐型的在线演示：让用户回答6个选择题，系统就能生成一个新的Pokémon角色。但实际上输出的图像只是从数组中随机选择一个，所选择的选项与输出图像无关。该演示仅供娱乐。研究请以代码为准。）
研究成熟程度：尚处于早期研究阶段。
2. 问题概述
详见笔者之前介绍的Pokémon生成问题。
3. 生成效果
（1）部分自动生成结果：
（训练集：使用898个Pokémon角色。）
（所有生成结果的版权，归Pokémon数据集版权方）
（所有生成结果的版权，归Pokémon数据集版权方）
（所有生成结果的版权，归Pokémon数据集版权方）
有画家选出部分效果较好的自动生成结果。然后，画家以此作为参考进行设计，并人工绘制出高质量的概念艺术设计图：
自动生成结果，以及手工绘制的概念艺术设计图
自动生成结果，以及手工绘制的概念艺术设计图
（2）问题：如果只使用初代151个Pokémon角色（另一个数据集，早期水彩绘制风格）作为训练集，网络会生成什么？
（所有生成结果的版权，归Pokémon数据集版权方）
4. 方法概述
DALL·E是一个跨模态生成模型，能够根据文本描述生成对应的图像。DALL·E由OpenAI于2021年1月提出。
DALL·E介绍：
（1）引燃AI社区，不用跨界也能从文本生成图像，OpenAI新模型打破自然语言与视觉次元壁（DALL·E和CLIP模型介绍）
（2）DALL·E: Creating Images from Text - OpenAI
（3）DALL·E论文：Zero-Shot Text-to-Image Generation（2021年2月）
该项目是在ruDALL-E模型（经过大规模文本-图像数据预训练）的基础上，使用Pokémon数据集进行微调（未使用CLIP模型）。ruDALL-E是DALL·E的非官方复现模型（直接使用ruDALL-E复现，是因为OpenAI没有公布DALL·E的所有代码，且复现DALL·E需要极大的GPU算力）。
该项目的主要特点为：使用大规模数据预训练之后，（相较于未预训练的模型）在小数据集上的生成效果有了显著的提升。
训练图像分辨率：256×256
训练时，文本描述为Pokémon的1个或2个属性，如：A Grass-type and Poison-type Pokémon。
备注：
该作者在实验中发现，测试阶段中，似乎更改输入文本描述中的类型，对生成结果影响不大。（笔者认为，可能是因为，相对于巨大参数量的模型，微调数据集太小了。）不过该实验至少能测试（ruDALL-E复现中的）VQGAN微调后的大致生成效果。
5. 生成结果简析
由于深度神经网络的黑盒特性，网络自动生成的结果中，很多结果难以分析其与训练数据集的关联性。以下，笔者尝试对少量生成结果，进行一个较粗略的分析。
该自动生成结果，或许无缝地融合（插值）了：数据集中至少5个角色的特征？It’s Amazing！
6. 数据集与模型大小
预训练数据集大小：1.2亿个图像-文本对
微调Pokémon数据集：
数据集1：898 + 60张图像。（898个Pokémon角色，每个角色一张图像。加上少量具有多个形态的角色图像共60张。）每张图像均为Pokémon角色的平面概念艺术图。
平面概念艺术图（现代绘制风格）
数据集2：151张图像。（151个初代Pokémon角色，每个角色一张图像。）每张图像均为Pokémon角色的平面概念艺术图。
平面概念艺术图（另一个数据集，早期Ken Sugimori水彩绘制风格）
模型大小：2.44 GB （使用ruDALL-E Malevich (XL)，参数量为13亿）
预训练时长：trained for 8 days on the 128 GPU TESLA V100, and then also for 15 more days on the 192 GPU TESLA V100, for a total of 3,904 GPU-days.