酷应用

AI版「女娲」来了！文字生成图像、视频，8类任务一个模型搞定

百家作者：机器之心 2021-11-26 16:08:01

机器之心报道

编辑：陈萍、小舟

AI会是未来的「造物者」吗？

近来，视觉合成任务备受关注。几天前英伟达的 GauGAN 刚刚上新了 2.0 版本，现在一个新视觉合成模型 Nüwa（女娲）也火了。

相比于 GauGAN，「女娲」的生成模式更加多样，不仅有文本涂鸦生成图像，还能从文本生成视频。

随着 VQ-VAE 这种离散化 VAE 方案的出现，高效和大规模的预训练被逐渐应用于视觉合成任务，例如 DALL-E（图像）、GODIVA（视频）。这些模型虽然取得了巨大的成功，但仍然存在一些局限性——它们分别处理图像和视频，专注于生成其中一种，这限制了模型从图像和视频数据中受益。相比之下，「女娲」是一个统一的多模态预训练模型，在 8 种包含图像和视频处理的下游视觉任务上具有出色的合成效果。

论文地址：https://arxiv.org/pdf/2111.12417.pdf

GitHub 地址：https://github.com/microsoft/NUWA

模型概览

该研究提出了一个通用的 3D transformer——编码器 - 解码器框架（如下图所示），同时涵盖了语言、图像和视频，可用于多种视觉合成任务。该框架由以文本或视觉草图作为输入的自适应编码器和由 8 个视觉合成任务共享的解码器组成。

「女娲」整体架构图。

该框架还包含一种 3D Nearby Attention (3DNA) 机制，以考虑空间和时间上的局部特征。3DNA 不仅降低了计算复杂度，还提高了生成结果的视觉质量。与几个强大的基线相比，「女娲」在文本到图像生成、文本到视频生成、视频预测等方面都得到了 SOTA 结果。此外，「女娲」还显示出惊人的零样本学习能力。

「女娲」的 8 种跨模态合成模式分别是：

文本转图像：

涂鸦转图像：

图像补全：

‍

根据文本编辑图像：

文本转视频：

‍

视频预测：

涂鸦转视频：

根据文本编辑视频：

实验结果

还研究通过多项实验评估了合成结果。

首先研究者将「女娲」在三个数据集上进行预训练：用于文本 - 图像 (T2I) 生成的 Conceptual Captions，包括 2.9M 文本 - 图像对；用于视频预测 (V2V) 的 Moments in Time，包括 727K 视频；用于文本 - 视频 (T2V) 生成的 VATEX 数据集，包括 241K 文本 - 视频对。

与 SOTA 方法比较

文本 - 图像 (T2I) 微调：该研究比较了「女娲」在 MSCOCO 数据集上的性能，如表 1 和图 3 所示：在表 1 中，「女娲」明显优于 CogView，其中 FID-0 为 12.9，CLIPSIM 为 0.3429 。尽管 XMC-GAN 的 FID-0 为 9.3，优于「女娲」，但「女娲」能生成更逼真的图像，如图 3 所示。特别是在最后一个例子中，「女娲」生成的男孩脸更清晰，并且男孩旁边的气球也很逼真。

文本 - 视频 (T2V) 微调：该研究在 Kinetics 数据集上评估了「女娲」，结果如表 2 和图 4 所示。在表 2 中，「女娲」在所有指标上实现了最好的性能。

在图 4 中，该研究还展示了「女娲」强大的零样本生成能力，可以生成没见过的图像，例如：在游泳池里打高尔夫球，在海里奔跑：

视频预测 (V2V) 微调：该研究在 BAIR Robot Pushing 数据集上对「女娲」和其他模型进行了比较，结果如表 3 所示：为了进行公平比较，所有模型都使用 64×64 分辨率。虽然只给出了一帧作为条件（Cond.），但「女娲」仍然将 SOTA FVD 得分从 94±2 降到 86.9 。