[Paper Reading] DALLE: Zero-Shot Text-to-Image Generation
DALLE: Zero-Shot Text-to-Image Generation
DALLE: Zero-Shot Text-to-Image Generation
时间：21.02（与CLIP同期论文）
机构：OpenAI
TL;DR
提出一个将文本与图像作为token，利用Transformer的自回归机制来生成图像。使用大规模数据(250M图文Pair)与大模型(12B)训练，模型效果达到可与特定领域模型性能相当的泛化效果。
Method
网络
Stage1: Learning the Visual Codebook
仅使用图像模态信息，训练一个dVAE，latent特征即visual codebook。好处：将256x256图像特征降维至32x32的image tokens(每个token的embedding dim为8192)，提升了低频语义信息占比，降低了计算量。
Stage2: Learning the Prior
第一阶段dVAE模型是fixed，image tokens与text token concat之后输入Transformer。
Q: prior module之后得到得是什么？是否还需要用dVAE的decoder?
A: 文章中没有明确说明，有两种可能性。
a) Transformer仅用来融合image与text tokens，不直接生成图像，图像生成最终还是使用dVAE的Decoder。
文章中说训练过程dVAE的decoder是fixed，那就说明使用了dVAE。
b) Transformer的Decoder既可以自回归图像，又可以自回归文本(文本本来输入)。
文章说transformer的Loss有两部分，一部分是cross entropy for text，另一部分是cross entropy for image，那有可能是直接逐个回归pixel。
工程
Mix-Precision Training的下溢问题(underflow)。
描述：当训练大text-image模型时，在resblock激活之后的层，梯度的真实数值可能会低于fp16最小指值。
解决：部分使用fp32(比如, resblock之后)；设置customize的scale缩放阈值；
节省显存占用
将模型参数切分分布到不同卡上，真正使用时再sync过来
降低跨机平均梯度耗时
PowerSGD，大体思路是，先将梯度进行低秩压缩，跨机跨卡sync之后再解压缩平均。
Experiment
Zero-shot text-image generation其实就是给文本生图像的任务，文章中使用的都是FID与IS等图像生成的评估指标。
图像生成评估指标 IS(Inception Score)是什么？
FromChatGPT(提示词：图像生成评估指标 Inception Score是什么？) Inception Score（简称IS）是一个用于评估生成对抗网络（GANs）生成图像质量的客观指标。它由Tim Salimans等人在2016年的论文《Improved Techniques for Training GANs》中提出。Inception Score主要从两个方面来评价生成图像的质量：清晰度（Clarity）：对于单个生成图像，我们希望它在某个类别上的概率非常高，而在其他类别上的概率非常低。这样，图像就会显得清晰，即它应该很容易被识别为某个特定的类别。清晰度可以通过计算生成图像的条件概率分布的熵来衡量，熵越低，表示图像越清晰。
多样性（Diversity）：对于一组生成图像，我们希望这些图像能够均匀地覆盖所有可能的类别。如果生成的图像能够代表数据集中的各个类别，那么这些图像就具有较高的多样性。多样性可以通过计算生成图像类别概率分布的边缘熵来衡量，边缘熵越高，表示生成图像的类别分布越均匀。
Inception Score的计算方法涉及到使用预训练的Inception网络（如Inception-V3）作为图像分类器。具体来说，Inception网络会为输入的生成图像输出一个概率分布向量，表示图像属于ImageNet数据集中1000个类别的概率。然后，Inception Score通过对这些概率分布进行计算来评估生成图像的质量和多样性。
总结与发散
与CLIP是同期工作，CLIP是多模态latent特征对齐的方法，不能做图像生成，而本文是text-image的图像生成方法。
