酷应用

Hinton、DALL-E 2 皆上榜，盘点 AI 图像 10 年合成史！

百家作者：AI100 2022-12-02 21:30:02

整理 | 刘春霖责编 | 张红月

出品 | CSDN（ID：CSDNnews）

现在，已是2022年底。

深度学习模型在生成图像上的表现已经非常出色。

很显然，未来还会给我们更多的惊喜。

这十年来，是如何走到今天这一步的？

在下面的时间线里，将会追溯一些里程碑式的时刻，例如 AI 图像合成的论文、架构、模型、数据集、实验登场的时候。

一切，都要从十年前的那个人工智能夏天说起。

开端（ 2012 年 - 2015 年）

在深度神经网络面世之后，人们则意识到：它将彻底改变图像分类。同时，研究人员开始探索“相反”的方向，“如果使用一些对分类非常有效的技术（例如卷积层）来制作图像，会发生什么？”

2012 年 12 月，“人工智能之夏”诞生的开始。

在这一年，论文《深度卷积神经网络的 ImageNet 分类》发布。论文作者之一，就是 AI 三巨头之一的 Hinton。

这是第一次将深度卷积神经网络 (CNN)、GPU 和巨大的互联网来源数据集（ImageNet）结合在一起。

2014 年 12 月，Ian Goodfellow 等大佬发表了史诗性论文巨作《生成式对抗网络》。

GAN 是第一个致力于图像合成而不是分析的现代（即2012年后）神经网络架构。

它引入了一种基于博弈论的独特学习方法，其中两个子网络“生成器”和“鉴别器”进行竞争。

最终，只有“生成器”从系统中保留下来，并用于图像合成。

Hello World！来自 Goodfellow 等人 2014 年论文的 GAN 生成人脸样本。该模型是在Toronto Faces 数据集上训练的，该数据集已从网络上删除。

2015 年 11 月，具有重大意义的论文《使用深度卷积生成对抗网络进行无监督代表学习》发表。其中，作者描述了第一个实际可用的 GAN 架构 (DCGAN)。

这篇论文首次提出了潜在空间操纵的问题——概念是否映射到潜在空间方向？

GAN 的五年（ 2015 年 - 2020 年）

这五年内 GAN 被应用于各种图像处理任务，例如样式转换、修复、去噪和超分辨率。期间，GAN 架构的论文开始爆炸式井喷。

地址：https://github.com/nightrome/really-awesome-gan

与此同时，GAN 的艺术实验开始兴起，Mike Tyka、Mario Klingenmann、Anna Ridler、Helena Sarin 等人的第一批作品出现。

第一个“AI 艺术”丑闻发生在 2018 年。

在 2018 年 10 月 25 日，Christie's 的一场拍卖会上，正在拍卖 Edmond Belamy 的肖像，这是一副金色框架中的画布，展示了看起来像 18 世纪绅士的污迹人物。当拍卖槌落下时，也将标志着人工智能艺术在世界拍卖舞台上的到来。

同时，Transformer 架构彻底改变了 NLP。在不久的将来，这件事会对图像合成产生重大影响。

2017 年 6 月，《Attention Is All You Need》论文发布。

在《Transformers, Explained: Understand the Model Behind GPT-3, BERT, and T5》中有详实的解释。

自此，Transformer 架构（以BERT等预训练模型的形式）彻底改变了自然语言处理 (NLP) 领域。

2018 年 7 月，《概念性标注：用于自动图像字幕的清理、上位化、图像替代文本数据集》论文发表。

这个和其他多模态数据集对于 CLIP 和 DALL-E 等模型将变得极其重要。

MarioKlingenmann,MemoriesofPasserbyI,2018.Thebaconesquefaces是该地区AI艺术的典型代表，其中生成模型的非写实性是艺术探索的重点

2018-20年，NVIDIA 的研究人员对 GAN 架构进行了一系列彻底改进。在《使用有限数据训练生成对抗网络》论文中，介绍了最新的 StyleGAN2-ada。

GAN 生成的图像首次变得与自然图像无法区分，至少对于像 Flickr-Faces-HQ (FFHQ) 等这样高度优化的数据集来说是这样。

2020 年 5 月，论文《语言模型是小样本学习者》发表。OpenAI 的 LLM Generative Pre-trained Transformer 3（GPT-3）展示了变压器架构的强大功能。

2020 年 12 月，论文《用于高分辨率图像合成的 Taming transformers》发表。ViT 表明，Transformer 架构可用于图像。

论文中介绍的方法 VQGAN 在基准测试中产生了 SOTA 结果。

2010 年代后期的 GAN 架构的质量主要根据对齐的面部图像进行评估，对于更多异构数据集的效果很有限。因此，在学术/工业和艺术实验中，人脸仍然是一个重要的参考点。

Transformer 的时代（ 2020 年 - 2022 年）

Transformer 架构的出现，彻底改变了图像合成的历史。从此，图像合成领域开始抛下 GAN。“多模态”深度学习整合了 NLP 和计算机视觉的技术，“即时工程”取代了模型训练和调整，成为图像合成的艺术方法。

《从自然语言监督中学习可迁移视觉模型》论文中提出了 CLIP 架构。可以说，当前的图像合成热潮，是由 CLIP 首次引入的多模态功能推动的。

2021 年 1 月，论文《零样本文本到图像生成》发表（另请参阅OpenAI 的博客文章），其中介绍了 DALL-E 的第一个版本。

此版本的工作原理是通过将文本和图像（由 VAE 压缩为「TOKEN」）组合在单个数据流中。该模型只是“continues”和“sentence”。数据（250M 图像）包括来自维基百科的文本图像对、概念说明和 YFCM100M 的过滤子集。CLIP 为图像合成的“多模态”方法奠定了基础。

2021 年 1 月，论文《从自然语言监督学习可迁移视觉模型》发表。论文中介绍了 CLIP，这是一种结合了 ViT 和普通 Transformer 的多模态模型。

CLIP 会学习图像和标题的“共享潜在空间”，因此可以标记图像。模型在论文附录A.1中列出的大量数据集上进行培训。

2021 年 6 月，论文《扩散模型的发布在图像合成方面击败了 GAN》发表。

扩散模型引入了一种不同于 GAN 方法的图像合成方法。研究者通过从人工添加的噪声（“去噪”）中重建图像来学习。它们与变分自动编码器 (VAE) 相关。

“金发女郎的人像照片，用数码单反相机拍摄，中性背景，高分辨率”，使用 DALL-E 2 生成。基于 Transformer 的生成模型与后来的 GAN 架构（如 StyleGAN 2）的照片级真实感相匹配，但允许创建广泛的各种主题和图案。

2021 年 7 月，DALL-E mini 发布。

这是 DALL-E 的复制品（体积更小，对架构和数据的调整很少）。数据包括 Conceptual 12M、Conceptual Captions 以及 OpenAI 用于原始 DALL-E 模型的 YFCM100M 相同过滤子集。因为没有任何内容过滤器或 API 限制，DALL-E mini 为创造性探索提供了巨大的潜力，并导致推特上“奇怪的 DALL-E”图像呈爆炸式增长。

2021-2022 年，Katherine Crowson 发布了一系列 CoLab 笔记，探索制作 CLIP 引导生成模型的方法。例如 512x512 CLIP-guided diffusion 和 VQGAN-CLIP（Open domain image generation and editing with natural language guidance，仅在 2022 年作为预印本发布，但 VQGAN 发布后就出现了公共实验）。

就像在早期的 GAN 时代一样，艺术家和开发者以非常有限的手段对现有架构进行重大改进，然后由公司简化，最后由 wombo.ai 等“初创公司”商业化。

2022 年 4 月，论文《具有 CLIP 潜能的分层文本条件图像生成》发表。本论文介绍了 DALL-E 2，它建立在仅几周前发布的 GLIDE 论文（《 GLIDE：使用文本引导扩散模型实现逼真图像生成和编辑》的基础上。