文生图模型演进：AE、VAE、VQ-VAE、VQ-GAN、DALL-E 等 8 模型

节前，我们星球组织了一场算法岗技术&面试讨论会，邀请了一些互联网大厂朋友、参加社招和校招面试的同学。

针对算法岗技术趋势、大模型落地项目经验分享、新手如何入门算法岗、该如何准备、面试常考点分享等热门话题进行了深入的讨论。

合集：

持续火爆！！！《AIGC 面试宝典》已圈粉无数！

---

一、背景

最近两年图像生成领域受到广泛关注，尤其是 Stable Diffusion 模型的开源，以及 DALL-E 系列模型的不断迭代更是将这一领域带到了新的高度。

为了更好地理解 Stable Diffusion 以及 DALL-E 3 等最新的图像生成模型，我们决定从头开始，以了解这些模型的演化过程。需要说明的是，本文中并不包含 Stable Diffusion、DALL-E 3 模型介绍，而是回到了它们更早的模型，作为后续的铺垫。Stable Diffusion 的作者其实也是 VQ-GAN 的作者。DALL-E 3 是 OpenAI 的工作，在此之前还有 DALL-E 和 DALL-E 2。

二、摘要（Abstract）

本文中我们从 AE（AutoEncoder）模型出发，逐步介绍了 VAE（Variational Autoencoder），VQ-VAE（Vector Quantised VAE）、VQ-VAE-2 以及 VQ-GAN 等工作。然而这些工作往往用于无条件生成，或者有条件的类别、图像等，其往往不支持文本输入，或者相关能力很弱。从 21 年初 DALL-E 的发布，文生图的模型开始大量出现。基于此，我们也进一步介绍了 DALL-E、DALL-E mini 和 CLIP-VQ-GAN 等模型。

由于篇幅的原因，本文中不包含大量的数学推导，只会梳理这些模型是怎么工作的。此外，我们也会提供一些代码示例，以便更好地理解。如下图所示为我们梳理的这些模型演进的脉络，本文的介绍也会自下而上进行（括号内为相关工作发布日期）：

三、AutoEncoder（AE）

AutoEncoder 可以称作自编码器，是一种人工神经网络，可以用于学习无标签数据的有效编码，属于无监督学习。AutoEcoder 的目的是：学习对高维度数据进行低维度表示（Representation），也就是压缩，因此常用于降维。

AutoEncoder 由两个主要的部分组成：

• Encoder（编码器）：用于对输入进行编码（压缩）

• Decoder（解码器）：用于使用编码重构输入（解压缩）

如下图所示为一个 AutoEncoder 的典型示例，其中输入为一幅图像 x，经 Encoder 编码生成一个隐空间（Latent Space）的表征（Representation）z，然后 Decoder 可以使用这个表征 z 重构出输入 x（核心思想是：既然可以重建 x，那么表明表征 z 中已经充分包含 x 的潜在信息，不然无法恢复，这也就表明学习到了一个很好的 Encoder，可以用于生产输入图像的表征 z）。

训练该模型的目标就是让输入和输出的误差尽量小，如下所示，其中 e 表示 Encoder，d 表示 Decoder：

该模型的目的是获得最佳的重建效果。模型在 Latent Space 没有增加任何的约束或者正则化，这也就意味着我们并不知道 Latent Space 是如何构建的，这也就是为什么我们很难使用 Latent Space 来采样生成一个新的图像（也就是只能重建已经有隐空间表征的图像）。

四、Variational Autoencoder（VAE）

4.1. VAE 概述

VAE （也称变分自编码器）主要是在 AE 的基础上引入了概率生成模型的概念，通过在隐空间引入概率分布，使模型能够生成多样性的样本，并且在学习过程中可以更好地理解数据的分布。

对应的论文为：[1312.6114] Auto-Encoding Variational Bayes。

4.2. VAE 模型结构

VAE 的模型结构如下图所示：

1. Encode：输入图像经过 Encoder 生成一个中间表示，然后分别经过 Mean Layer（Linear 层） 和 Var Layer（Linear 层）来生成均值 m=(m0, m1, m2, m3) 和方差 v=(v0, v1, v2, v3)

2. Sampling：使用噪声 e=(e0, e1, e2, e3) 与 v 和 m 即可获得一个采样 c=(c0, c1, c2, c3)

3. Decode：使用采样 c 经过一个 UP Layer（Linear）来生成新的中间表示，然后经过 Decoder 来生成最终的结果。

4.3. AE 和 VAE 主要区别

AE 和 VAE 的结构非常类似，比如都包含 Encoder 和 Decoder，都是在 Encoder 输入图像，Decoder 输出图像。同时也有很大的区别，比如：

1. 应用场景：

• AE：主要用于降维（压缩）、特征学习和数据去噪等

• VAE：除了上述应用外，还广泛应用于生成新的、与训练数据相似但不完全相同的样本

2. 基本结构：

• AE：Encoder 将输入映射到隐空间（latent space），Decoder 直接使用隐空间生成输出数据。但隐空间是未知的，只能从一个给定的输入生成

• VAE：在隐空间上引入概率分布，通常是高斯分布

3. 隐空间的学习：

• AE：隐空间是一个确定性的表示，每一个都代表一个编码后的点

• VAE：隐空间是一个概率分布，通常是高斯分布，使得我们可以在隐空间进行随机采样，从而生成具有变化的新样本

4. 训练目标：

• AE：通过最小化输入和输出之间的差异（重构误差）来训练

• VAE：除了最小化重构误差外，还包括最小化隐空间的 KL 散度，以确保学到的隐空间与标准正态分布接近

如下图所示为一个 Latent Space 投影的示例，可以看出，AE 明显会聚焦于部分局部区域，而 VAE 分布更加广泛：

4.4. 示例

如下图所示为一个 AE 的示例，Encode 过程将输入映射到隐空间的一个点，而不同的点与点之间是没有规律可循的，可能是任何的内容，也就无法基于此来令 Decode 生成预期的输出：

如下图所示为 VAE 的示例，模型在隐空间是一个高斯分布，因此在圆月和残月交叉的部分就包含了圆月信息（蓝框），也包含残月信息（绿框），因此其通过 Decode 后生成了半月图片（红框）：

4.5. 代码实现

如下图是 VAE 的模型示例（用于 MNIST 训练），其结构很简单，Encoder 和 Decoder 都是由两层 Linear 组成，sampling 也很简单：

训练代码也很简单，主要是 loss 函数中除了重建损失（reproduction_loss）外，也增加了一个 KL 散度损失：

如下图所示为一个简单的生成示例，随便指定一个 mean、var 即可使用 decode 来生成一个图像：

如下图为使用 mean=[-1.0, 1.0]，var=[-1.0, 1.0] 生成的结果，可以看出，数字 0-9 分布在不同的区域，并且在区域交叉的地方会存在四不像的结果（其同时包含了周围不同数字的信息）：

五、 Vector Quantised VAE（VQ-VAE）

5.1. VQ-VAE 概述

VQ-VAE 主要是在 VAE 的基础上引入了离散的、可量化的隐空间表示，有助于模型更好地理解数据中的离散结构和语义信息，同时可以避免过拟合。

对应的论文为：[1711.00937] Neural Discrete Representation Learning

5.2. VQ（Vector Quantization）

VQ 是一种数据压缩和量化的技术，它可以将连续的向量映射到一组离散的具有代表性的向量中。在深度学习领域，VQ 通常用于将连续的隐空间表示映射到一个有限的、离散的 codebook 中。

我们常见的 K-means 聚类算法就是 VQ 的一种，K-means 聚类的目标为：把 n 个点（样本）划分到 k 个聚类中（通常 k 远小于 n），使得每个点都属于离它最近的聚类中心对应的类别，以此实现聚类的目的。如下图所示，所有点都被映射到 z0，z1，z2 和 z3 中：

5.3. VQ-VAE 模型结构

VQ-VAE 与 VAE 的结构非常相似，只是中间部分不是学习概率分布，而是换成 VQ 来学习 Codebook。

1. Encoder：将输入压缩成一个中间表示

2. VQ：

• 使用每一个中间表示与 Codebook 计算距离

• 计算与 Codebook 中距离最小的向量的索引（Argmin）

• 根据索引从 Codebook 中查表，获得最终量化后的表示

4. Decoder：将量化后的表示输入 Decoder 生成最终的输出

5.4. VQ-VAE 训练

在 VQ 中使用 Argmin 来获取最小的距离，这一步是不可导的，因此也就无法将 Decoder 和 Encoder 联合训练，针对这个问题，作者添加了一个 Trick，如下图红线部分，直接将量化后表示的梯度拷贝到量化前的表示，以使其连续可导：

具体的代码实现如下所示：

https://colab.research.google.com/github/zalandoresearch/pytorch-vq-vae/blob/master/vq-vae.ipynb

5.5. VQ-VAE + PixelCNN

有了上述的 VQ-VAE 模型，可以很容易实现图像压缩、重建的目的，但是无法生成新的图像数据。当然可以随机生成 Index，然后对应生成量化后的 latent code，进而使用 Decoder 来生成输出图像。但是这样的 latent code 完全没有全局信息甚至局部信息，因为每个位置都是随机生成的。因此，作者引入了 PixelCNN 来自回归的生成考虑了全局信息的 latent code，进而可以生成更真实的图像，如下图所示：

PixelCNN 和 VQ-VAE 的一作是同一个人，来自 Google DeepMind，对应的论文为：[1606.05328] Conditional Image Generation with PixelCNN Decoders。此处我们不再对 PixelCNN 展开，只需要知道它是一个自回归生成模型，可以逐个像素的生成，因为其是自回归模型，所以每个位置都能看到之前位置的信息，这样生成的 latent code 能够更全面的考虑到空间信息，有助于提高模型生成图像的质量和多样性。

那么为什么不直接使用 PixelCNN 来生成图像呢，答案是肯定的，不过将 PixelCNN 和 VQ-VAE结合可以发挥各自的优势，比如提高训练效率和收敛性，对于 128x128x3 的图像，假设离散空间的大小为 32x32，那么 PixelCNN 不用生成 128x128x3 个像素（RGB），而只用生成 32x32 的离散 latent code 即可。

此外，有了 PixelCNN 也就可以更好地支持无条件生成和有条件生成：

• 无条件生成：模型在生成时不考虑任何外部条件，通常是输入一个随机噪声。比如可以在 PixelCNN 的起始输入给定一个随机像素（随机离散 latent code index），然后迭代逐个像素生成。

• 有条件生成：模型在生成时考虑外部条件。这个条件可以是类别标签、图像的一部分，或者任何与图像生成相关的信息。比如使用类别标签作为外部条件，可以将类别标签表示为一个 one-hot 的 embedding，然后作为条件输入 PixelCNN，如果是输入一个图像，也可以将图像编码为 embedding 之后输入。

那么怎么保证生成结果的多样性呢？有两种方式，一种是随机噪声，另一种就是在自回归生成过程中引入 top_p 和 top_k 采样等。

六、 Vector Quantised VAE-2（VQ-VAE-2）

6.1. VQ-VAE-2 概述

VQ-VAE-2 相比 VQ-VAE 主要的变化是增加了多尺度分层结构，以进一步增强 latent code 上的先验信息，以此来生成更高分辨率，更高质量的图像。

VQ-VAE-2 依旧是 Google DeepMind 的工作，作者基本都是 PixelCNN 和 VQ-VAE 的作者，对应的论文为：[1906.00446] Generating Diverse High-Fidelity Images with VQ-VAE-2

6.2. VQ-VAE-2 模型结构

VQ-VAE-2 的模型结构如下图所示，以 256x256 的图像压缩重建为例：

• 训练阶段：其首先使用 Encoder 将图像压缩到 Bottom Level，对应大小为 64x64，然后进一步使用 Encoder 压缩到 Top Level，大小为 32x32。重建时，首先将 32x32 的表征经过 VQ 量化为 latent code，然后经过 Decoder 重建 64x64 的压缩图像，再经过 VQ 和 Decoder 重建 256x256 的图像。

• 推理阶段（图像生成）：使用 PixelCNN 首先生成 Top Level 的离散 latent code，然后作为条件输入 PixelCNN 以生成 Bottom Level 的更高分辨率的离散 latent code。之后使用两个 Level 的离散 latent code 生成最终的图像。

当然，基于这个思想作者也进一步验证了使用 3 个 Level 来生成 1024x1024 分辨率的图像，相应的压缩分辨率分别为 128x128、64x64、32x32。

七、 Vector Quantised GAN（VQ-GAN）

7.1. VQ-GAN 概述

VQ-GAN 相比 VQ-VAE 的主要改变有以下几点：

• 引入 GAN 的思想，将 VQ-VAE 当做生成器（Generator），并加入判别器（Discriminator），以对生成图像的质量进行判断、监督，以及加入感知重建损失（不只是约束像素的差异，还约束 feature map 的差异），以此来重建更具有保真度的图片，也就学习了更丰富的 codebook。

• 将 PixelCNN 替换为性能更强大的自回归 GPT2 模型（针对不同的任务可以选择不同的规格）。

• 引入滑动窗口自注意力机制，以降低计算负载，生成更大分辨率的图像。

VQ-GAN 的作者也是著名的 Stable Diffusion 的作者，对应的论文为：[2012.09841] Taming Transformers for High-Resolution Image Synthesis。对应的代码库为：Taming Transformers for High-Resolution Image Synthesis。

需要说明的是，VQ-GAN 的 v1 版本发表在 20 年 12 月，而 OpenAI 的 DALL-E 发表在 21 年 2 月，正好对应 VQ-GAN 的 v2 版本，因此 VQ-GAN 的前两个版本并没有与 DALL-E 对比，直到 21 年 6 月的 v3 版本才添加了和 DALL-E 的对比结果（可能也是这个原因，VQ-GAN 也并没有支持文本到图像的生成能力）：

7.2. VQ-GAN 模型结构

7.2.1. VQ-GAN 模型概览

VQ-GAN 的整个模型结构如下图所示，整体看着比较复杂，实际训练时是分为两阶段训练的，先训练下面的 VQ-GAN 部分，再训练上面的 Transformer 部分：

7.2.2. VQ-GAN 训练

如下图所示为第一阶段训练，相比 VQ-VAE 主要是增加了 Discriminator，以及将重建损失替换为 LPIPS 损失：

• Discriminator：对生成的图像块进行判别，每一块都会返回 True 和 False，然后将对应的损失加入整体损失中。

• LPIPS：除了像素级误差外，也会使用 VGG 提取 input 图像和 reconstruction 图像的多尺度 feature map，以监督对应的误差（具体可参考 lpips.py - CompVis/taming-transformers · GitHub）。

7.2.3. Transformer 训练

如下图所示为第二阶段训练，此时会将 Encoder、Decoder、Discriminator 和 Codebook 固定，只训练 Transformer。

• 待训练图像经过 Encoder 和 VQ 后编码成离散的 latent code。

• 使用离散的 latent code 作为 Transformer 的输入和 target 来进行自回归的监督训练。也就是使用 S<i 来预测 Si 对应的 code。（当然，也可以加入可选的条件约束，比如类别信息）

7.3. 高分辨率生成

离散 latent code 相比原始图像的压缩率通常是 16x16 或 8x8，以 16x16 为例，要生产一个 1024x1024 分辨率的图片，对应的离散 latent code 为 64x64，而 GPT 模型推理中计算量与序列长度成二次方关系，也就是 O(644*K)，其代价很高。因此作者提出了使用滑动窗口 Attention 机制来降低计算量的方案，具体来说，预测每一个位置的 code 时只考虑局部 code，而不是全局 code，比如使用 16x16 的窗口，计算量将降低到 O(642*162*K)，几乎降低为原来的 1/16。当然，对于边界的区域，并不是使用当前位置作为中心，而是将窗口相应地向图像中心偏移，保证窗口大小：

7.4. 高分辨率生成示例

该示例对应的代码为：taming-transformers/scripts/taming-transformers.ipynb at master · CompVis/taming-transformers · GitHub。主要是输入一个分割掩码，然后将其作为条件生成高分辨率图像，Encoder 对应的压缩率为 16x16，滑动窗口大小也是 16x16。需要说明的是：当条件包含空间信息，比如分割图，深度图，或其他图像时，需要额外训练一个 VQ-GAN 用于对条件图像进行编码。

7.4.1. 读取分割掩码

掩码可视化如下图所示：

7.4.2. 生成分割条件对应的离散 latent code

如下图所示，encode_to_c 对应的是额外训练的 Encoder（https://github.com/CompVis/taming-transformers/blob/master/taming/models/cond_transformer.py#L168-L182）：

7.4.3. 初始化待生成图像的离散 latent code

使用随机生成的离散 latent code 经 Decoder 生成的图像如下图所示，可以看出其更像是一些噪声：

7.4.4. 生成离散 latent code

如下图为具体的逐个生成离散 latent code 的过程，因为有 42x64 个 code，因此要迭代 42x64 次：

7.4.5. 生成结果

如下图所示为最终的生成结果，可以看出与输入的分割 mask 很匹配：

在上一部分生成离散 latent code 的过程中，需要将条件和待生成 patch concat 到一起，生成一个 1x512 的序列，但实际输入 Transformer 模型的是前 511 个 Token，这是因为 GPT 是自回归模型，在训练时第 255 个位置（从 0 开始）预测的是第 256 个 Token（也就是第一个图像 Token），第 510 个 Token 预测的是第 511 个 Token，而 511 位置生成的 Token 并没有被监督训练。因此预测生成的 Token 对应的 index 为 [255, 510]，此时再根据 local_i 和 local_j 就可以正确获取当前位置对应的 code。在官方代码库 Issue 也有人问起这个问题，不过还未被回答：

如下图所示，如果输入 1x512 个 Token，然后根据 index [256, 511] 来获取生成 Token，并根据 local_i 和 local_j 来获取 code（实际位置已经出现偏差），最终生成的图像质量非常差：

八、 DALL-E（dVAE、DALL-E）

8.1. DALL-E 概述

DALL-E 是 OpenAI 的工作，其最主要的贡献是提供不错的文本引导图片生成的能力，其不是在 VQ-VAE 基础上修改，而是首先引入 VAE 的变种 dVAE，然后在此基础上进一步训练 DALL-E。可惜的是，OpenAI 并不 Open，只开源了 dVAE 部分模型，文本引导生成部分并没有开源，不过 Huggingface 和 Google Cloud 团队进行了复现，并发布对应的 DALL-E mini 模型。

DALL-E 对应的论文为：[2102.12092] Zero-Shot Text-to-Image Generation。对应的代码库为：GitHub - openai/DALL-E: PyTorch package for the discrete VAE used for DALL·E.。

DALL-E mini 对应的文档为：DALL-E Mini Explained，对应的代码库为：GitHub - borisdayma/dalle-mini: DALL·E Mini - Generate images from a text prompt。

8.2. dVAE

8.2.1. 模型概述

与 VQ-GAN 类似，DALL-E 的训练也是分为两个阶段，第一阶段是训练 VAE，不过并没有使用 VQ-VAE，而是使用 Discrete VAE（dVAE），整体来说与 VQ-VAE 类似，主要的区别是引入 Gumbel Softmax 来训练，避免 VQ-VAE 训练中 ArgMin 不可导的问题。

8.2.2. Gumbel Softmax

Gumbel Softmax 是一种将离散采样问题转化为可微分操作的技术，常用于深度学习中的生成模型，特别是 VAE 和 GAN 等模型中。Gumbel Softmax 使用 Gumbel 分布来近似离散分布的采样过程。具体来说，它首先使用 Gumbel 分布生成一组噪声样本，然后通过 Softmax 函数将这些样本映射到一个类别分布。这个过程是可微分的，因此可以在反向传播中进行梯度计算。

如下图所示，一个图像经 Encoder 编码会生成 32x32 个 embedding，和 codebook （8192 个）内积再经 Softmax 即可得到在每个 codebook 向量的概率：

应用 Gumbel Softmax 采样即可获得新的概率分布，然后将其作为权重，对相应的 codebook 向量进行累积就可以获得 latent vector。然后 Decoder 可以基于此 latent vector 重构输出图像。

在上述的过程中，通过添加 Gumbel 噪声的方式进行离散采样，可以近似为选择 logits 中概率最大的类别，从而提供一种可微分的方式来处理离散采样问题。具体来说，其关键为 Gumbel-Max Trick，其中 gi 是从 Gumbel(0, 1) 分布中采样得到的噪声，τ 是温度系数。需要说明的是，t 越小，此处的 Softmax 就会越逼近于 ArgMax。τ 越大，就越接近于均匀分布。这也就引入了训练的一个 Trick：训练起始的温度系数 τ 很高，在训练的过程中，逐渐降低 τ，以便其逐渐逼近 ArgMax。在推理阶段就不再需要 Gumbel Softmax，直接使用 ArgMax 即可。

如下图 DALL-E 的示例中正是直接使用的 ArgMax：

8.3. Transformer

8.3.1. 模型结构

对于 Transformer 模型，作者使用 12B 参数量的 Sparse Transformer（64 层，每层 62 个注意力头，每个头的 hidden size 为 64），对于文本，使用 BPE-encode 编码为 Token，限制了最大 256 个 Token，词表大小为 16,384。图像词表也就对应 codebook，大小为 8192。图像 Token 直接使用 dVAE 的 Encoder + ArgMax 采样获得，未添加 Gumbel 噪声。（需要说明的是，此部分训练、推理代码都没有开源）

作者将文本输入固定为 256 个 Token，因此当文本 Token 不足 256 个时会进行 Padding，如下图所示，同时也会给 Image Token 添加行索引 embedding 和列索引 embedding。还会有一个特殊的 Token 来标识无文本输入的情况。此外，因为输入中既包含文本 Token，又包含图像 Token，而学习的主要目标是生成图像 Token，因此训练中文本相关的交叉熵损失权重为 1/8，而图像相关的交叉熵损失权重为 7/8。

针对 Transformer 模型，作者用了 3 种 Attention Mask（所有图像 Token 都能看到所有文本
Token，但只能看到部分图像 Token）：

• Row Attention：对于 (i-2)%4 != 0 的层使用，比如第 2 层，第 6 层。其中 i = [1, 63]

• Column Attention：对于 (i-2)%4 = 0 的层使用，比如第 1 层，第 3 层。

• Convolutional Attention：只在最后一层使用。

8.3.2. 模型训练

有了 dVAE 模型之后，第二阶段就是就是训练 Transformer（此阶段会固定 dVAE），使其具备文本引导生成的能力。DALL-E 使用大规模的图像-文本对数据集进行训练，训练过程中使用 dVAE 的 Encoder 将图像编码为离散的 latent code。然后将文本输入 Transformer，并使用生成的 latent code 来作为 target 输出。以此就可以完成有监督的自回归训练。推理时只需输入文本，然后逐个生成图像对应的 Token，直到生成 1024 个，然后将其作为离散的 latent code 进一步生成最终图像。

最终作者在 1024 个 16G 的 V100 GPU 上完成训练，batch size 为 1024，总共更新了 430,000 次模型，也就相当于训练了 4.3 亿图像-文本对（训练集包含 250M 图像-文本对，主要是 Conceptual Captions 和 YFFCC100M）。

九、 DALL-E mini

9.1. DALL-E mini 模型概述

如下图所示，DALL-E mini 中作者使用 VQ-GAN 替代 dVAE，使用 Encoder + Decoder 的 BART 替代 DALL-E 中 Decoder only 的 Transformer。

9.2. DALL-E mini 模型推理

在推理过程中，不是生成单一的图像，而是会经过采样机制生成多个 latent code，并使用 VQ-GAN 的 Decoder 生成多个候选图像，之后再使用 CLIP 提取这些图像的 embedding 和文本 embedding，之后进行比对排序，挑选出最匹配的生成结果。

9.2. DALL-E mini 和 DALL-E 对比

DALL-E mini 和 DALL-E 在模型、训练上都有比较大的差异，具体体现在：

• DALL-E 使用 12B 的 GPT-3 作为 Transformer，而 mini 使用的是 0.4B 的 BART，小 27 倍。

• mini 中使用预训练的 VQ-GAN、BART 的 Encoder 以及 CLIP，而 DALL-E 从头开始训练，mini 训练代价更小。

• DALL-E 使用 1024 个图像 Token，词表更小为 8192，而 mini 使用 256 个图像 Token，词表大小为 16384。

• DALL-E 支持最多 256 个文本 Token，对应词表为 16,384，mini 支持最多 1024 文本 Token，词表大小为 50,264。

• mini 使用的 BART 是 Encoder + Decoder 的，因此文本是使用双向编码，也就是每个文本 Token 都能看到所有文本 Token，而 DALL-E 是 Decoder only 的 GPT-3，文本 Token 只能看到之前的 Token。

• DALL-E 使用 250M 图像-文本对训练，而 mini 只使用了 15M。

十、 CLIP + VQ-GAN（VQGAN-CLIP）

10.1. VQGAN-CLIP 概述

VQ-GAN 几乎和 DALL-E 在同期发布，但不具备文本引导生成的能力，而这是 DALL-E 受到广泛关注的一个主要原因，也是生成图像中一种非常自然的方式。Katherine 等人将 VQ-GAN 和 OpenAI 发布的 CLIP 模型结合起来，利用 CLIP 的图文对齐能力来赋予 VQ-GAN 文本引导生成的能力。其最大的优势是不需要额外的预训练，也不需要对 CLIP 和 VQ-GAN 进行微调，只需在推理阶段执行少量的迭代即可实现。

作者首先是将其作为开源代码发布的，后续才提交了论文。对应的代码为：https://colab.research.google.com/drive/1_4Jl0a7WIJeqy5LTjPJfZOwMZopG5C-W?usp=sharing#scrollTo=g7EDme5RYCrt。对应的论文为：[2204.08583] VQGAN-CLIP: Open Domain Image Generation and Editing with Natural Language Guidance。

10.2. CLIP 模型

CLIP 是 OpenAI 发布的在大规模图文数据对（4亿）上通过对比学习进行预训练的图文对齐模型。如下图左侧是其对比预训练过程，在一个 batch 中对应的图文特征作为正对，图片特征和其他文本特征作为负对。如下图右侧，可广泛用于 zero-shot 的图像分类等任务，在 LMM（大规模多模态模型）中也常作为 image encoder 使用。

10.3. VQGAN-CLIP 方案

如下图 Figure 1 所示，作者的思路很简单：使用初始图像通过 VQ-GAN 生成一个图像，然后使用 CLIP 对生成图像和 Target Text 提取 embedding，然后计算相似性，并将其误差作为反馈对隐空间的 Z-vector 进行迭代更新，直到生成图像和 Target Text 对应的 embedding 很相似为止。

当然，在实际应用中会存在一些挑战，作者也提供了相应的解决方案：

• Random Crops + Augmentation：如果在单个图像上计算，则 CLIP 损失的梯度更新噪声比较大。为了克服这个问题，作者对生成的图像进行多次修改，从而产生大量增强的图像。涉及随机裁剪、翻转、色彩抖动、噪声等。图像的高级语义特征往往对这些变化并不敏感（随机裁剪有可能影响语义内容，不过作者测试发现影响不大），因此平均所有增强图像的 CLIP 损失可以减小每个更新步骤的方差。

• Latent Vector 正则化：当使用无约束 VQ-GAN 图像生成时，输出往往是非结构化的，添加增强有助于实现整体的一致性，但最终输出通常仍包含不需要的纹理块。为了解决这个问题，作者将 L2 正则化应用于 Z-vector，并赋予相应权重。

  

VQGAN-CLIP 无需训练，但其迭代更新的方式同样导致其生成效率相对比较低，如下图 Table 2 所示为作者的对比结果：

十一、参考链接（Reference）

1. https://arxiv.org/abs/1312.6114

2. https://arxiv.org/abs/1711.00937

3. https://arxiv.org/abs/1606.05328

4. https://arxiv.org/abs/1906.00446

5. https://arxiv.org/abs/2012.09841

6. https://github.com/CompVis/taming-transformers

7. https://arxiv.org/abs/2102.12092

8. https://wandb.ai/dalle-mini/dalle-mini/reports/DALL-E-Mini-Explained–Vmlldzo4NjIxODA

9. https://github.com/borisdayma/dalle-mini

10. https://arxiv.org/abs/2204.08583

11. https://python.plainenglish.io/variational-autoencoder-1eb543f5f055

12. https://ljvmiranda921.github.io/notebook/2021/08/08/clip-vqgan/