【转】理解 DALL·E 2， Stable Diffusion和 Midjourney 的工作原理

本文首发于 🌱 煎茶，转载请注明来源。

【随着 AIGC 的兴起，各位小伙伴们对文生图工具 DALL-E 2、Stable Diffusion 和 Midjourney 一定并不陌生。本期 IDP Inspiration，小白将和大家一同走进这三者背后的技术原理，一探究竟。以下是译文，Enjoy!】

作者 | Arham Islam

编译 | 岳扬

在过去的几年里，人工智能（AI）取得了极大的进展，而 AI 的新产品中有 AI 图像生成器。这是一种能够将输入的语句转换为图像的工具。文本转图像的 AI 工具有许多，但最突出的就属 DALL-E 2、Stable Diffusion 和 Midjourney 了。

DALL-E 2 由 OpenAI 开发，它通过一段文本描述生成图像。其使用超过 100 亿个参数训练的 GPT-3 转化器模型，能够解释自然语言输入并生成相应的图像。

DALL-E 2 主要由两部分组成——将用户输入转换为图像的表示（称为 Prior），然后是将这种表示转换为实际的照片（称为 Decoder）。

其中使用到的文本和图像嵌入来自另一个叫做 CLIP（对比语言 - 图像预训练）的网络，这也是由 OpenAI 研发的。CLIP 是一种神经网络，为输入的图像返回最佳的标题。它所做的事情与 DALL-E 2 所做的相反——它是将图像转换为文本，而 DALL-E 2 是将文本转换为图像。引入 CLIP 的目的是为了学习物体的视觉和文字表示之间的联系。

DALL-E 2 的工作是训练两个模型。第一个是 Prior，接受文本标签并创建 CLIP 图像嵌入。第二个是 Decoder，其接受 CLIP 图像嵌入并生成图像。模型训练完成之后，推理的流程如下：

输入的文本被转化为使用神经网络的 CLIP 文本嵌入。
使用主成分分析（Principal Component Analysis）降低文本嵌入的维度。
使用文本嵌入创建图像嵌入。
进入 Decoder 步骤后，扩散模型被用来将图像嵌入转化为图像。
图像被从 64×64 放大到 256×256，最后使用卷积神经网络放大到 1024×1024。

Stable Diffusion 及其技术

Stable Diffusion 是一个文转图的模型，其使用了 CLIP ViT-L/14 文本编码器，能够通过文本提示调整模型。它在运行时将成像过程分离成“扩散（diffusion）”的过程——从有噪声的情况开始，逐渐改善图像，直到完全没有噪声，逐步接近所提供的文本描述。

Stable Diffusion 是基于 Latent Diffusion Model（LDM）的，LDM 是一款顶尖的文转图合成技术。在了解 LDM 的工作原理之前，让我们先看看什么是扩散模型以及为什么我们需要 LDM。

扩散模型（Diffusion Models, DM）是基于 Transformer 的生成模型，它采样一段数据（例如图像）并随着时间的推移逐渐增加噪声，直到数据无法被识别。该模型尝试将图像回退到原始形式，在此过程中学习如何生成图片或其他数据。

DM 存在的问题是强大的 DM 往往要消耗大量 GPU 资源，而且由于序列化评估 (Sequential Evaluations)，推理的成本相当高。为了使 DM 在有限的计算资源上进行训练而不影响其质量以及灵活性，Stable Diffusion 将 DM 应用于强大的预训练自动编码器（Pre-trained Autoencoders）。

在这样的前提下训练扩散模型，使其有可能在降低复杂性和保留数据细节之间达到一个最佳平衡点，显著提高视觉真实程度。在模型结构中引入交叉注意力层（cross attention layer），使扩散模型成为一个强大而灵活的生成器，实现基于卷积的高分辨率图像生成。

Midjourney 也是一款由人工智能驱动的工具，其能够根据用户的提示生成图像。MidJourney 善于适应实际的艺术风格，创造出用户想要的任何效果组合的图像。它擅长环境效果，特别是幻想和科幻场景，看起来就像游戏的艺术效果。