Imagen：Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding

相较于之前一些基于扩散模型的text2image方法，Imagen一个基本的认识是：

用更大的在纯文本上训练的自然语言模型（T5）作为text encoder比用更大的diffusion model效果更显著：更加高保真以及文本-图片匹配度更高

Imagen架构图

整体结构：

通过一个固定的text encoder（T5-XXL）提取文本embedding，然后经过一个输出大小为64x64的classifier-free Diffusion Model，最后经过两个级联的超分DM将图片分辨率放大到1024x1024，所有的DM都条件于text embedding。

text encoder对比了BERT（base模型参数量:1.1亿）CLIP(0.63亿)以及T5(模型参数量：110亿)，后来发现T5效果最好。并且因为参数大几个量级的原因，还舍弃了之前基于数据对，对Text Encoder进行finetune的流程。

classifier DM对噪声的建模公式：与glide相近，只是在uncondition的时候没有使用空的文本表示。

w表示clip_guidance。w=1表示关闭classifier-free guidance，大于1表示加强guidance。

DM的base model使用64x64的Unet（glide）作为autoencoder，选择小模型主要还是diffusion的迭代过程太长，导致生成过程慢。

使用更大的clip_guidance

之前的模型都通过增大classifier-free guidance来使得文本和图像更加匹配，但是图像的失真和不自然问题就会越来越严重，这其实是训练测试不匹配的问题，训练数据的分布范围在-1到1之间，但是测试时如果使用很大的guidance weight，将导致采样图片的数值超出-1到1的区间，因此提出两种方式来解决，一种是静态阈值，在采样时将数值范围裁剪到-1到1之间，可以避免产生空白图，另外一种是动态阈值，在每一步采样的样本中选一个百分位绝对像素值s，如果该值大于1，就将该样本裁剪到-s都s，然后除以s，这样避免像素饱和，因而可以使用更大的guidance weight。

级联的超分DM

由于DM生成的图像分辨率很低，因此超分DM是带噪声条件增强的，使得超分模型能感知到噪声量和噪声层次，这样超分的结果会对低分图像的噪声更加鲁棒。