10年研究积累，推动图像合成进入「PS」时代

2022 年已经接近尾声。深度学习模型在生成图像方面的表现愈发出色，显然，未来该模型还将继续发展。今天的局面是如何一步步发展而来的呢？这得追溯到十年前，也就是当今所说的 “AI 之夏” 的起源。下文以时间轴的形式追溯了一些里程碑，从论文、架构、模型、数据集到实验。

Hacker News 评论中有人指出，Hinton 等人的深度信念网早在 2006 年就被用于生成合成 MNIST 数字，参见深度信念网的快速学习算法。

Durk Kingma 让我注意到变分自动编码器 (VAEs) 稍微先于 GANs，参见自动编码变分贝叶斯和这些早期结果在野外标记面部数据集。

@Merzmensch 在推特上强调了 DeepDream 的重要性，它可以被视为一种原始生成方法，对于图像合成的艺术方面。参见 inception: 深入神经网络。

起源 (2012-2015)

一旦知道深度神经网络将彻底改变图像分类，研究人员就开始朝着 “相反” 的方向探索：如果可以使用一些能有效分类的技术 (例如卷积层) 来制作图像呢？

Hello world！这是 GAN 生成的人脸样本，来自 Goodfellow 等人 2014 年的论文。该模型是在 Toronto Faces 数据集上训练的，该数据集已从网络上删除。

2012 年 12 月：“AI 之夏” 的开始。Hinton 等人撰写的《ImageNet Classification with Deep Convolutional Neural Networks》一文发布，他们第一次将深度卷积神经网络 (CNN)、GPU 和来自互联网的大型数据集 (ImageNet) 结合在一起。

论文链接：https://proceedings.neurips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf

2014 年 12 月：Ian Goodfellow 等人发表了《Generative Adversarial Nets》。GAN 是 2012 年之后第一个致力于图像合成而非分析的现代神经网络架构。它引入了一种基于博弈论的独特学习方法，其中两个子网络 ——“生成器” 和 “鉴别器” 互相竞争。最终，只有 “生成器” 从系统中保留下来，用于图像合成。

论文链接 https://proceedings.neurips.cc/paper/2014/file/5ca3e9b122f61f8f06494c97b1afccf3-Paper.pdf

2015 年 11 月：《Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks》发表，描述了第一个实际可用的 GAN 体系结构 (DCGAN)，并且首次提出了潜在空间操纵的问题 —— 概念是否映射到潜在空间方向？

论文链接：https://arxiv.org/pdf/1511.06434.pdf

GAN 的五年（2015-2020）

Mario Klingenmann 所作《路人回忆 I》，2018 年。培根式的脸是这一领域 AI 艺术的典型，生成模型的非摄影现实主义是艺术探索的焦点。

GAN 可以应用于各种图像处理任务，如风格迁移，图像修复，去噪和超分辨率。与此同时，GAN 的艺术实验开始兴起，Mike Tyka、Mario Klingenmann、Anna Ridler、Helena Sarin 等人的第一批作品相继出现。2018 年发生了第一桩 “人工智能艺术” 丑闻 —— 三名法国学生借用一位美国 19 岁高中毕业学生开源的 AI 算法创作的画作在佳士得拍卖行拍得 43 万美元。与此同时， transformer 架构彻底改变了 NLP，并且在不久的将来对图像合成产生了重大影响。

2017 年 6 月：文章《Attention is all you need》发表。transformer 架构 (以 BERT 等预训练模型的形式) 彻底改变了自然语言处理 (NLP) 领域。

论文链接：https://arxiv.org/pdf/1706.03762.pdf

2018 年 7 月：文章《Conceptual Captions: A Cleaned, Hypernymed, Image Alt-text Dataset For Automatic Image Captioning》发表。对于后来的 CLIP 和 DALL-E 这样的模型来说，这篇文章和其他多模态数据集将变得至关重要。

论文链接：https://aclanthology.org/P18-1238.pdf

该面孔来自 thispersondoesnotexist.com 网站。2010 年代后期 GAN 架构的质量主要是在对齐的人脸图像上进行评估，而对于更异构的数据集，其成功程度有限。因此，在学术 / 工业和艺术实验中，人物面孔仍是重要参照依据。

2018 年 - 2020 年：NVIDIA 研究人员对 GAN 架构进行了一系列重要改进。GAN 生成的图像第一次做到与自然图像高度相似，至少对于像 Flickr-Faces-HQ (FFHQ) 这样高度优化的数据集来说是如此。

论文链接：https://arxiv.org/pdf/1812.04948.pdf

2020 年 12 月：文章《Taming Transformers for High-Resolution Image Synthesis》发布。Vision transformer (ViT) 表明，transformer 架构可以用于图像。本文中提出的方法 ——VQGAN 取得了 SOTA 结果。

论文链接：https://arxiv.org/pdf/2012.09841.pdf

Transformer 时代（2020-2022）

Transformer 架构彻底变革了图像合成的方式，GAN 的使用也逐渐开始减少。「多模态」深度学习巩固了来自 NLP 和计算机视觉的技术，「prompt 工程」取代了模型训练和微调，成为图像合成的新兴方法。

论文《Learning transferable visual models from natural language supervision》提出了 CLIP 架构，引入了多模态功能，推动了当前图像合成的热潮。

CLIP 是一种结合了视觉 transformer 和正则化 transformer 的多模态模型，学习图像和文本描述的「共享潜在空间」。

论文链接：https://arxiv.org/pdf/2103.00020.pdf

2021 年 1 月，论文《Zero-shot text-to-image generation》发布，其中提出了 DALL-E 的第一个版本。该模型的原理是在单个数据流中组合文本和图像（被 VAE 压缩为「token」），模型只是简单地「续写句子」。训练数据（250M 图像）包括来自 Wikipedia、Conceptual Captions 和 YFCM100M (http://projects.dfki.uni-kl.de/yfcc100m/) 的文本 - 图像对。CLIP 为图像合成的「多模态」方法奠定了基础。

论文链接：https://arxiv.org/pdf/2102.12092.pdf

下图是 DALL-E 2 模型的一个生成例子，文本描述是「一个金发女人的肖像照片，用单反相机拍摄，中性背景，高分辨率」。

2021 年 6 月，论文《Diffusion models beat GANs on image synthesis》发表。扩散模型引入了一种不同于 GAN 的图像合成方法，从噪声中重建图像。

论文链接：https://arxiv.org/abs/2105.05233

2021 年 7 月，DALL-E mini (https://huggingface.co/spaces/dalle-mini/dalle-mini) 发布，它是 DALL-E 的复制版本（比 DALL-E 更小，但对架构和数据的调整很少）。

2022 年 4 月，论文《Hierarchical text-conditional image generation with CLIP latents》提出了以 GLIDE 为基础的 DALL-E 2。

论文链接：https://arxiv.org/pdf/2204.06125.pdf

2022 年 5 月，论文《Photorealistic text-to-image diffusion models with deep language understanding (https://arxiv.org/pdf/2205.11487.pdf)》提出了 Imagegen 和 Parti，这是谷歌对标 DALL-E 2 的两个模型。

论文链接：https://arxiv.org/pdf/2206.10789.pdf

Photoshop 一般的人工智能 (2022 至今)

虽然 DALL-E 2 为图像模型设置了一个新的标准，但它的商业化限制了模型的创造性。虽然 DALL-E 2 已经发布，但大部分用户仍在继续使用 DALL-E mini。

而这一切随着 Stable Diffusion 的发布发生了改变，Stable Diffusion 标志着图像合成进入「Photoshop 时代」。

2022 年 8 月，Stability.ai 发布了 Stable Diffusion，这个模型可以实现与 DALL-E 2 相同的照片真实感，最重要的是该模型公开可用，并且可以在 CoLab 和 Huggingface 平台上运行。

下图是 Stable Diffusion 生成的巴洛克风格的艺术画作：

谷歌也不甘落后，也是在 2022 年 8 月，谷歌发布了一种「个性化」的文本到图像扩散模型 ——DreamBooth。

论文地址：https://arxiv.org/pdf/2208.12242.pdf

2022 年 10 月，全球最大图片交易商 Shutterstock 宣布与 OpenAI 合作，提供 / 授权生成图像，预计图片市场将受到 Stable Diffusion 等生成模型的严重影响。

原文链接：https://zentralwerkstatt.org/blog/ten-years-of-image-synthesis

内容中包含的图片若涉及版权问题，请及时与我们联系删除