谷歌新AI火了！世界最长单词都能画：Pneumonoultramicroscop……( 二 ) 杨净金磊发自凹非寺量子位|公

从结构上看，它的所有组件只有三部分：编码器、解码器以及图像标记器，且都是基于标准Transformer 。

文章图片
首先，使用基于Transformer的图像标记器ViT-VQGAN ，将图像编码为离散的标记序列。
然后再通过Transformer的编码-解码结构，将参数扩展到200亿。
以往关于文本生成图像的研究，除了最早出现的GAN ，大体可以分成两种思路。
一种是基于自回归模型，首先文本特征映射到图像特征，再使用类似于Transformer的序列架构，来学习语言输入和图像输出之间的关系。
这种方法的一个关键组成部分就是图像标记器，将每个图像转换为一个离散单元的序列。比如DALL-E和CogView ，就采用了这一思路。
另一种则是这段时间以来进展频频的路线——基于扩散的文本到图像模型，比如DALL-E2和Imagen 。
他们摒弃了图像标记器，而是采用扩散模型来直接生成图像。可以看到的是，这些模型产生的图像质量更高，在MS-COCO零样本FID得分更好。

文章图片
而Parti模型的成功，则证明了自回归模型可以用来改善文本生成图像的效果。
与此同时， Parti还引入并发布了新的基准测试——PartiPrompts ，用于衡量模型在12个类别和11个挑战方面的能力。

文章图片
但Parti还是有一定的局限性，研究人员也展示了一些bug：
比如，对否定的描述就没招了~
一个没有香蕉的盘子，旁边一个没有橙汁儿的玻璃杯。

文章图片
还会犯一些常识性错误，例如不合理地缩放。比如这张图，机器人竟然比赛车高出好几倍。

文章图片
一个穿着赛车服和黑色遮阳板的闪亮机器人自豪地站在一辆F1赛车前。太阳落在城市景观上。漫画书插图。
谷歌“自己卷自己”在这项研究来自GoogleResearch ，团队中的华人居多。

文章图片
研究核心工作人员包括YuanzhongXu、ThangLuong等，目前均就职于谷歌从事AI相关研究工作。
（ThangLuong在谷歌学术上的引用量高达20000+）

文章图片
△左：YuanzhongXu；右：ThangLuong不过有意思的是，同为“说句话让AI作画” ，同为出自谷歌之手的Imagen ，它跟Parti还真有点千丝万缕的关系。
在Parti的GitHub的项目文档中就有提到：
【谷歌新AI火了！世界最长单词都能画：Pneumonoultramicroscop……】感谢Imagen团队，他们在发布Imagen之前与我们分享了其最近完整的结果。
他们在CF-guidance方面的重要发现，对最终的Parti模型特别有帮助。

文章图片
而且Imagen的作者之一BurcuKaragolAyan ，也参与到了Parti的项目中。
（有种谷歌“自己卷自己”那味了）
不仅如此，就连“隔壁”DALL-E2的作者AdityaRamesh ，也给Parti在MS-COCO评价方面做了讨论工作。
以及DALL-Eval的作者们，也在Parti数据方面的工作提供了帮助。
OneMoreThing有一说一，就“文本生成图像”这事，可不只是研究人员们的宠儿。