金磊 Alex 发自 凹非寺
量子位 | 公众号 QbitAI

谁能想到，宋朝的老虎们，有一天能在国外被玩儿火了。

事情是这样的。

前不久谷歌不是出了个AI创作神器Imagen嘛。

只要你给一句话，它就能生成符合语意的图片。

然后脑洞大开的国外网友们，不按套路地给Imagen出了道题：

Imagen也没在怕的，“啪的一下”就给出了一幅力作——《虎戴VR》。

还别说，这幅《虎戴VR》还真是有点那味了。

不仅是画风上，VR头戴跟老虎以及整幅画作能够保持一致。

就连手柄、双虎嬉戏的感觉也都一步到位地画了出来。

然后还有两只老虎戴VR，手牵着手一起“恰恰恰”的：

甚至Imagen还别出心裁地设计了个“连线”版VR（可能在面对面看片吧）：

但毕竟在AI作画这事上，除了谷歌Imagen之外还有很多神器。

于是，一场《虎戴VR》作画大战就此拉开序幕。

（猜猜谁家的画更有“心有猛虎，细嗅蔷薇”的味道）

DALL-E也来请战

首先来应战的，定然是OpenAI家的DALL·E。

网友Jacob出于好奇，便用它做了几幅来做比较。

首先是满满“定妆照”风格的《虎戴VR》（很飒啊）：

不难看出，DALL·E的画作和Imagen在风格上还是有很大的区别。

Imagen的画作更趋于简约线条风，而DALL·E则更多了些许油画的元素。

不过在意境方面，DALL·E也是能够产出“双虎嬉戏”，甚至是拟人的画作：

二者相比之下，网友们给出了他们的评价：

大多数网友们对谷歌家的Imagen更买单。

而除了它俩之外，像AI绘画神器MidJourney也参与到了此次“大战”。

不过它的作品，就显得略有些诡异了……

DALL·E VS Imagen

那么，同样作为AI创作神器，最近大火的Imagen和DALL·E为何画风会截然不同呢？

Open AI的DALL·E和谷歌的Imagen，都可以直接通过文本描述生成类似超现实主义的图像，让机器也能拥有设计师般的创造力。

不过，二者的“创作”原理大相径庭。

DALL·E 2采用CLIP将文本特征映射到图像特征，然后指导一个GAN或扩散模型生成图像。

所谓CLIP，是一个在各种图像和文本上训练的神经网络，对生成的多张图片进行排序，挑选出更好的生成结果进行展示。

而谷歌的Imagen则使用纯语言模型只负责编码文本特征，把文本到图像转换的工作丢给了图像生成模型。

语言模型部分使用的是谷歌自己的T5-XXL编码器，将训练好的文本冻结。

图像生成部分则是一系列扩散模型，先生成低分辨率图像，再逐级超采样。

谷歌的T5-XXL有46亿个参数，而扩大文本编码器的规模，可以有效改善文本到图像的对应关系，和图像的保真度。

此外，Imagen还使用了另一种称为noise conditioning augmentation的扩散技术，帮助模型学习已添加的噪声量，从而提高图像的还原性。

对比来看，Imagen似乎比DALL·E更具有“写实”的特点：

目前，在Imagen官网上已涌现出各种新奇的图像。

有人给浣熊戴上了宇航员头盔。

泰迪熊在这里开始游蝶泳。

还有老鹰型的巧克力冰淇淋（嗯，还挺应景）。

截至目前，Imagen和DALL·E都还在调试阶段，尚未向公众开放。

One More Thing

这次《虎戴VR》AI作画大战中，也不乏有失败的作品。

例如有网友就给出了用DALL·E mini来生成的示例。

不难看出，在这版中的《虎戴VR》中，并没有任何VR的出现，而且老虎的面部基本上都是模糊不清。

据网友描述，他在生成的过程中，只是把“北宋”改成了“南宋”：

那么你觉得对于《虎戴VR》，哪家AI神器表现更出色呢？

https://twitter.com/hardmaru/status/1532757753797586944?s=21&t=MhwVN5VXH22zFK7DWQJnCg