DALL-E 系列：AI绘画背后的惊人真相！！【1个离奇内幕、3个意想不到、5大秘密揭示】
DALL-E 系列：AI绘图原理，根据用户给出的描述，生成与描述相匹配的图像
- DALL-E 1
- dVAE
- Transformer
- DALL-E 2
- CLIP
- 先验 prior
- decoder（image）
- DALL-E 3
论文地址：https://arxiv.org/pdf/2102.12092.pdf
DALL-E 的提出是为了解决图像生成的问题，即通过文字描述生成对应的图像。
DALL-E 文生图官网：https://labs.openai.com/
DALL-E 1
DALL-E算法分为三个阶段，分别训练 DVAE、DALL-E 和 CLIP 模型。
- DVAE 用于图像特征编码和解码（ 下图 Stage One 的 dVAE ）
- DALL-E 结合图像和文本特征生成图像（下图的 Stage Two）
- CLIP用于图像排序和匹配（ 下图 Sample Ganeration、Rerank using CLIP ）
DALL-E的推理主要分为三个阶段，其中前两个阶段对应上图中的Stage One和Stage Two。
在第一阶段，DALL-E 将一张256×256的图片分成32×32个小块。
每个小块都经过训练好的离散VAE模型的编码器进行处理。
编码器将每个小块映射到一个大小为8192的词表中，这个词表可以看作是一个包含很多不同特征的列表。
这样，每个小块都被表示为一个唯一的token，而不是原始的像素值。
最终，整张图片被表示为1024个（上图红色 l 1 . . . . l N l_{1}....l_{N} l1....lN）这样的token，其中每个token代表着图片的一个小块。
- 1024 是把，输入图的 256x256 压缩成 32x32（1024）
- 每个位置有 8192 种可能的值
- 也就是说 dVAE 的 encoder 输出是维度为 32x32x8192 的 logits（每个类别的得分或概率）
这种表示方式可以帮助 DALL-E 更好地理解图片的结构和特征，从而在后续的生成过程中更好地控制和生成与给定图片相关的内容。
在第二阶段，DALL-E使用 BPE 编码器对文本进行编码。
BPE是一种常用的文本编码技术，将文本分割成更小的单元，通过组合这些单元来表示更复杂的文本结构。
通过 BPE-encoder 对文本进行编码，最多可以得到256个token（上图绿色 l 1 . . . l m l_{1}...l_{m} l1...lm）。
如果文本不足256个token，就会进行填充，以达到256个token的长度。这样，每个token代表文本的一个部分或特征。
然后，将这256个文本token与之前得到的1024个图像token进行拼接。
得到一个长度为1280的数据（上图绿色+红色块）。
这个拼接的数据包含了文本和图像的信息。
最后，这个拼接的数据被输入到训练好的Transformer模型中。
在第三阶段，DALL-E使用已经训练好的模型生成图像。
- Sample Generation（上图）
- Rerank using CLIP（上图）
首先，模型通过对输入的1280个token进行处理和解码，生成一张图像。
这个生成的图像可能与给定的文本相关，但也可能不太符合预期。
为了评估生成的图像与给定文本的匹配程度，DALL-E使用 CLIP 模型。
- 前置知识：CLIP 模型
CLIP 模型是一个能够理解和衡量图像与文本之间关系的模型。通过将生成的图像和给定的文本输入到CLIP模型中，可以计算出它们之间的相似度或匹配程度。
然后，DALL-E对生成的图像进行采样，即生成多个不同版本的图像。
这些采样结果与给定文本一起，作为输入送入CLIP模型。
CLIP模型会对每个采样结果和给定文本进行评分，排序出最与给定文本匹配的生成图像。
- 产生的结果再用 clip 选择一个最合适的进行输出。
这样，通过对模型生成的图像进行采样，并使用CLIP模型对采样结果进行排序，DALL-E能够找到与给定文本最匹配的生成图像。
这个过程可以提高生成图像的质量和与文本的关联性。
&nsbp;
dVAE
dVAE 是 VQVAE。
假设我们有一张猫的图像，它有大眼睛和尖耳朵。
对于VAE，会学习到这个猫图像的均值和方差，比如大眼睛的均值和方差、尖耳朵的均值和方差。然后，从这些高斯分布中采样，生成新的猫图像，可能会有稍微不同的大眼睛和尖耳朵。
对于VQVAE，会将这张猫的图像转换成一些离散的编码。比如选择一个表示大眼睛的编码和一个表示尖耳朵的编码。然后，通过解码器，可以使用这些编码来生成新的猫图像，可能会有稍微不同的大眼睛和尖耳朵的组合。
俩者区别：
VAE生成的样本可能会有一些模糊和平滑的效果，而VQVAE生成的样本则更加清晰和锐利。
- VAE 只能在高斯分布的范围内生成样本，生成的图像或数据会比较平滑和连续，会有一些模糊和模糊的效果。
- VQVAE通过直接匹配代码簿中的向量来生成，生成的样本会更加清晰和锐利，因为代码簿特定编码经过训练优化，能够更好地捕捉数据的重要特征、提供抽象表示能力，并生成清晰、锐利的样本。
因为这个词表是离散的，不可导。
dVAE 引入 Gumbel-Softmax-trick 解决不可导，就是通过引入随机性来近似最大值的选择，变得可导。
- 使用一个特殊的 Gumbel 分布来加入随机噪声。
- 使用softmax函数来对这些带有噪声的值进行归一化，以得到一个概率分布。
- 最终，可以通过对这个概率分布进行采样，来选择最接近的编码。
在重建图像的过程中，通常使用一个分布来建模图像的像素值。传统的方法通常使用高斯分布来建模图像像素的概率分布。
提出了 logit-Laplace 分布（拉普拉斯变体）代替真实图像与高斯图像不匹配。
logit-Laplace分布是一种以 logit 函数为参数的 Laplace 分布。
与高斯分布相比，logit-Laplace分布能够更好地捕捉到图像中的边缘和细节，因为它的尾部分布更加重。
dVAE 就是在 VAE 只能高斯分布生成图像基础上，变成，特定编码表生成 + 引入随机性来近似最大值的选择 + 拉普拉斯变体。
如果对 dVAE 模块感兴趣，请猛击：《漫谈VAE和VQVAE，从连续分布到离散分布》
Transformer
Transformer 模块有：64层注意力，每层注意力62个头，每个头64注意力维度。
有 64 层注意力
- 注意力层是神经网络模型中的一种组件，用于将模型的注意力集中在输入数据的不同部分上。
每层注意力有 62 个头
- 注意力头是在注意力机制中的并行处理单元，可以同时关注输入数据中的不同位置和特征。
每个头 64 注意力维度
- 每个头可以生成的注意力权重的数量，这些权重用于加权不同位置的输入数据。
attention层使用了行注意力mask、列注意力mask、卷积注意力mask三种稀疏注意力：
Transformer的输入：
-
pad embd 通过学习得到，为每个位置都训练了一个 pad embd，即 256 个pad embd。
-
在对文本 token 进行 pad 时，使用对应位置的 pad embd。
DALL-E 2
论文地址：http://arxiv.org/abs/2204.06125
代码实现：https://github.com/lucidrains/DALLE2-pytorch
DALL-E 2 改进在于，生成高度逼真的图片。
模型分为 3 部分：CLIP（下图虚线之上）、先验Prior、decoder（image）
3 个模块各自训练。
CLIP
CLIP 模块目的是文本编码和图像对应。
- 前置知识：CLIP 模型
先验 prior
先验 prior：
先将文本编码器中的文本拿出，把文本向量，输入 z t z_{t} zt。
再从图像编码器中的图像拿出来，把图像向量，输入 z i z_{i} zi，输出 z i ′ z'_{i} zi′。
希望 输入 z i z_{i} zi，输出 z i ′ z'_{i} zi′ 越接近越好，根据这个来更新 prior（扩散模型实现）。
训练好 prior 后，走一遍流程：文本编码器 -> prior -> z t z_{t} zt，得到新图像。
decoder（image）
decoder（image）：从图像特征还原出真实图像。
不过生成图像结构一样，增加多样性后又不一样：
DALL-E 2 不仅能文生图，还可以图像修补、图像风格迁移。
还有一些问题：容易把物体和属性混淆、文本放入图像能力不足、复杂场景细节处理不真实。
DALL-E 3
论文地址：https://cdn.openai.com/papers/dall-e-3.pdf
DALL-E 3 链接：https://openai.com/dall-e-3
DALL-E 3 经过精心设计，对提示词的完美遵循。
无论是整体的环境描写，还是精确到物体数量、着装、颜色这种细节叙述，DALL·E 3都能很好地理解，并生成对应的画作，丝毫不漏重点。
能够将抽象的想法和提示转化为异常准确的图像。
比如能将模糊的形容词，如繁华、讨价还价、脾气暴躁等词汇用绘画的方式演绎得活灵活现。
和 DALLE2 对比，在细节、清晰度、明亮度等方面都能看出两者生成的明显差异。
- DALLE3 能够更有效地细化手部等小细节，更加准确地表示具体特定对象和它们之间关系的场景。
训练了一个“图像字幕器”（image captioner），专门用来给数据集中的图像重新生成文本描述。
用AI来合成文本训练出来的模型：
95%的图像用合成文本描述 + 5%图像依旧使用人工描述，CLIP的效果是最好的。
属于大力出奇迹。