文生圖關(guān)鍵問題探索：個(gè)性化定制和效果評價(jià)（1）

DALL·E的應(yīng)用技術(shù)是Diffusion Model，主要用于生成圖像、音頻、文本等數(shù)據(jù)。它通過模擬數(shù)據(jù)的去噪過程來生成新的數(shù)據(jù)。與生成對抗網(wǎng)絡(luò)（GAN）相比，Diffusion models的生成過程更加穩(wěn)定，生成的數(shù)據(jù)也更加真實(shí)。Diffusion Model的發(fā)展如圖1所示：圖1 AIGC-Text to Image 的發(fā)展特別是從2022年5月Stable Diffusion[3]的開源開始，作為一個(gè)迅速火出圈的AI技術(shù)，Stable Diffusion以極快的速度獲得了大量的開源社區(qū)關(guān)注，開始引領(lǐng)AIGC行業(yè)發(fā)展。那么，為什么Stable Diffusion能夠這么快地火出圈？其根本還是在于生成的效果和效率非常高，極大地降低了創(chuàng)作的門檻，降低了創(chuàng)作的成本。這里列了Stable Diffusion的Discord上的幾個(gè)例子（見圖2），這些圖片都可以在Nvidia Tesla A100機(jī)器上通過3-4s的時(shí)間生成出來。圖2 Stable Diffusion在Discord上的案例
雖然Stable Diffusion取得了很大的成功，但其本身存在一些問題會(huì)影響生成效果。主要包括：

• 問題一：模型的機(jī)器評價(jià)與人工評價(jià)之間缺乏一致性。通過機(jī)器評價(jià)指標(biāo)，比如FID值等，評價(jià)結(jié)果往往和真實(shí)的生成效果并不一致，因此不能很好地評價(jià)不同模型的效果。而人工評價(jià)標(biāo)準(zhǔn)難以統(tǒng)一并有高昂的成本。
• 問題二：如何在生成過程中實(shí)現(xiàn)更高效的控制。如何提高生成圖像和文本輸入之間的一致性，特別是在使用簡短的提示句來生成圖像時(shí)，目前難以有效地控制所生成圖片與文本之間的相關(guān)性程度。
• 問題三：如何進(jìn)行定制個(gè)性化模型。如何定制一個(gè)文生圖模型，是行業(yè)應(yīng)用的關(guān)鍵?？焖俚倪M(jìn)行新概念/風(fēng)格/人物的學(xué)習(xí)，是文生圖落地到各應(yīng)用場景的第一個(gè)攔路虎。
• 問題四：高質(zhì)量文圖數(shù)據(jù)集的缺乏。數(shù)據(jù)的重要性不言而喻，大量高質(zhì)量的文圖數(shù)據(jù)是文生圖發(fā)展的血液，沒有數(shù)據(jù)再好的算法也發(fā)揮不了作用。

  
  

  
  

如何評價(jià)文生圖模型的效果是生成類模型面臨的共性問題之一。通常，生成類模型的評價(jià)分為機(jī)器評價(jià)和人工評價(jià)兩種。機(jī)器評價(jià)方法如Bleu等，人工評價(jià)如ChatGPT中的人工評價(jià)等。然而，機(jī)器評價(jià)結(jié)果不完全符合人工評價(jià)結(jié)果，因此高機(jī)器評價(jià)并不一定代表生成效果好。文生圖的模型評價(jià)也面臨同樣的問題，現(xiàn)在用于文生圖模型評價(jià)的機(jī)器評價(jià)指標(biāo)比如FID值等指標(biāo)的評價(jià)結(jié)果跟真實(shí)的圖片生成效果并不是一致，因此機(jī)器評價(jià)的結(jié)果并不能夠很好的評價(jià)不同的文生圖模型效果。但是，由于機(jī)器評價(jià)的便利性和客觀性等原因，還是有很多評價(jià)基準(zhǔn)在采用機(jī)器評價(jià)指標(biāo)。比如ArtBench，一個(gè)提供了很多不同藝術(shù)風(fēng)格標(biāo)注數(shù)據(jù)的數(shù)據(jù)集，也是用FID指標(biāo)等機(jī)器評價(jià)方法來評價(jià)不同模型的效果。從ArtBench的評測結(jié)果中可以看到基于GAN模型生成的圖片可以獲得最高的FID值，說明GAN生成跟訓(xùn)練數(shù)據(jù)同分布圖片的能力還是更強(qiáng)。但同時(shí)這種更強(qiáng)的生成能力也是一種限制，限制了GAN模型的泛化能力，使得GAN只偏向于生成更像訓(xùn)練數(shù)據(jù)中的樣本。在2021年NeurIPS上刊載的OpenAI團(tuán)隊(duì)的文章Diffusion Models Beat GANs on Image Synthesis[4]，指出了有引導(dǎo)的Diffusion 模型可以在各種機(jī)器評價(jià)指標(biāo)上比GANs的效果更好。但就像前面提到的一樣，機(jī)器評價(jià)指標(biāo)好就真的會(huì)生成更高質(zhì)量的圖片嗎？由此可以看出，人工評價(jià)可能是更加合適文生圖模型的評價(jià)方式。但是人工評價(jià)沒有統(tǒng)一的標(biāo)準(zhǔn)，成本比較高。文章Human Evaluation of Text-to-Image Models on a Multi-Task Benchmark[5]提出了一套人工評價(jià)的標(biāo)準(zhǔn)。讓人從三種prompts的難度以及三種不同的task維度來對比不同的文生圖模型的圖片生成效果（見表1），比如SD和DALL-E 2。難度的定義用論文中的原文表述是：“In that case, the task may be easy: generating 1-3 objects, medium-generating 4-10 objects, and hard-generating more than ten objects.”表1  不同的文生圖模型的人工評測結(jié)果論文也給出了人工評價(jià)的結(jié)果，在數(shù)量（counting）和人臉（faces）兩個(gè)類別的任務(wù)上，DALL·E2占優(yōu)勢，而在形狀（shapes）這個(gè)類型的任務(wù)上，SD占優(yōu)勢。從篇文章給出的結(jié)果來看，現(xiàn)在的文生圖模型中的第一梯隊(duì)水平模型，在數(shù)量和形狀方面，還是明顯弱于人臉的生成任務(wù)的。因此，我們可以從這篇文章中總結(jié)出現(xiàn)在文生圖模型存在的語言理解的問題，特別是數(shù)量和形狀在理解能力上偏弱。文本理解能力可以通過更大更強(qiáng)的語言模型來解決，比如Google提出的Imagen[6]使用了更大的文本模型T5（Text-To-Text Transfer Transformer[7]），并在解碼和超分模型中都引入文本的信息來生成具有更豐富細(xì)節(jié)的圖片。為了評價(jià)文生圖模型的效果，Imagen團(tuán)隊(duì)也同時(shí)提出了一個(gè)文生圖的評價(jià)基準(zhǔn)DrawBench。該基準(zhǔn)主要從兩個(gè)維度來評價(jià)文生圖的效果:image-text alignment和sample fidelity。其實(shí)驗(yàn)指出，用T5作為文本編碼器的Imagen模型在這兩個(gè)維度上都有提升。但是，從上述實(shí)驗(yàn)的結(jié)果可以得出，在Image框架下將文本編碼器從CLIP的文本塔換成T5，會(huì)有一定的alignment提升，但是不是特別明顯。所以更大的語言模型會(huì)帶來一定的alignment的提升，但是提升沒有預(yù)期的高。整體來看，文生圖模型的評價(jià)是AIGC繼續(xù)發(fā)展的基石,急需評價(jià)體系的建立。