【世界新要闻】Hinton上榜！盘点AI图像合成10年史，那些值得被记住的论文和名字

【资料图】

来源：新智元 现在，已是2022年底。 深度学习模型在生成图像上的表现，已经如此出色。很显然，它在未来会给我们更多的惊喜。 十年来，我们是如何走到今天这一步的？ 在下面的时间线里，我们会追溯一些里程碑式的时刻，也就是那些影响了AI图像合成的论文、架构、模型、数据集、实验登场的时候。 一切，都要从十年前的那个夏天说起。

开端（2012-2015）

深度神经网络面世之后，人们意识到：它将彻底改变图像分类。

同时，研究人员开始探索相反的方向，如果使用一些对分类非常有效的技术（例如卷积层）来制作图像，会发生什么？ 这就是「人工智能之夏」诞生的伊始。 2012 年 12 月 一切发端于此。 这一年，论文《深度卷积神经网络的 ImageNet分类 》横空出世。 论文作者之一，就是「AI三巨头」之一的Hinton。 它首次将深度卷积神经网络 (CNN)、GPU和巨大的互联网来源数据集（ ImageNet ）结合在一起。 2014 年 12 月 Ian Goodfellow等AI巨佬发表了史诗性论文巨作《 生成式对抗网络 》。 GAN是第一个致力于图像合成而非分析的现代神经网络架构（「现代」的定义即2012年后）。 它引入了一种基于博弈论的独特学习方法，由两个子网络“生成器”和“鉴别器”进行竞争。 最终，只有「生成器」被保留在系统之外，并用于图像合成。 Hello World！来自Goodfellow等人2014年论文的GAN生成人脸样本。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 2015 年 11 月 具有重大意义的论文《使用深度卷积生成对抗网络进行无监督代表学习》发表。 在这篇论文中，作者描述了第一个实际可用的GAN 架构 (DCGAN)。 这篇论文还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？

GAN的五年（2015-2020）

这五年间，GAN被应用于各种图像处理任务，例如风格转换、修复、去噪和超分辨率。 期间，GAN架构的论文开始 爆炸 式井喷。 项目地址：https://github.com/nightrome/really-awesome-gan 与此同时，GAN的艺术实验开始兴起，Mike Tyka、Mario Klingenmann、Anna Ridler、Helena Sarin 等人的第一批作品出现。 第一个「 AI 艺术」丑闻 发生在2018年。三位法国学生使用「借来」的代码生成一副AI肖像，这副肖像成为第一幅在佳士得被拍卖的AI画像。 与此同时，transformer架构彻底改变了NLP。 在不久的将来，这件事会对图像合成产生重大影响。 2017 年 6 月 《Attention Is All You Need》论文发布。 在《Transformers, Explained: Understand the Model Behind GPT-3, BERT, and T5》里，也有详实的解释。 自此，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。 2018 年 7 月 《概念性标注：用于自动图像字幕的清理、上位化、图像替代文本数据集 》论文发表。 这个和其他多模态数据集对于 CLIP 和 DALL-E 等模型将变得极其重要。 2018-20年 NVIDIA的研究人员对GAN 架构进行了一系列彻底改进。 在《 使用有限数据训练生成对抗网络 》这篇论文中，介绍了最新的StyleGAN2-ada。 GAN 生成的图像第一次变得与自然图像无法区分，至少对于像 Flickr-Faces-HQ (FFHQ) 这样高度优化的数据集来说是这样。 Mario Klingenmann,Memories of Passerby I,2018. The baconesque faces是该地区AI艺术的典型代表，其中生成模型的非写实性是艺术探索的重点 2020 年 5 月 论文《语言模型是小样本学习者》发表。 OpenAI的LLM Generative Pre-trained Transformer 3（GPT-3）展示了变压器架构的强大功能。 2020 年 12 月 论文《用于高分辨率图像合成的Taming transformers 》发表。 ViT表明，Transformer架构可用于图像。 本文中介绍的方法VQGAN在基准测试中产生了SOTA结果。 2010年代后期的GAN架构的质量主要根据对齐的面部图像进行评估，对于更多异构数据集的效果很有限。 因此，在学术/工业和艺术实验中，人脸仍然是一个重要的参考点。

Transformer的时代（2020-2022）

Transformer架构的出现，彻底改写了图像合成的历史。 从此，图像合成领域开始抛下GAN。 「多模态」深度学习整合了NLP和计算机视觉的技术，「即时工程」取代了模型训练和调整，成为图像合成的艺术方法。 《从自然语言监督中学习可迁移视觉模型 》这篇论文中，提出了CLIP 架构。 可以说，当前的图像合成热潮，是由CLIP首次引入的多模态功能推动的。 论文中的CLIP架构 2021 年 1 月 论文《零样本文本到图像生成 》发表（另请参阅 OpenAI 的博客文章 ），其中介绍了即将轰动全世界的DALL-E的第一个版本。 这个版本通过将文本和图像（由VAE压缩为「TOKEN」）组合在单个数据流中来工作。 该模型只是「continues」the「sentence」。 数据（250M 图像）包括来自维基百科的文本图像对、 概念说明和YFCM100M 的过滤子集。 CLIP为图像合成的「多模态」方法奠定了基础。 2021 年 1 月 论文《 从自然语言监督学习可迁移视觉模型 》发表。 论文中介绍了CLIP，这是一种结合了ViT和普通Transformer的多模态模型。 CLIP会学习图像和标题的「共享潜在空间」，因此可以标记图像。 模型在论文附录A.1中列出的大量数据集上进行训练。 2021 年 6 月 论文《扩散模型的发布在图像合成方面击败了GAN 》发表。 扩散模型引入了一种不同于GAN方法的图像合成方法。 研究者通过从人工添加的噪声中重建图像来学习。 它们与变分自动编码器 (VAE) 相关。 2021 年 7 月 DALL-E mini 发布。 它是DALL-E的复制品（体积更小，对架构和数据的调整很少）。 数据包括 Conceptual 12M 、 Conceptual Captions以及 OpenAI 用于原始 DALL-E 模型的 YFCM100M 相同过滤子集。 因为没有任何内容过滤器或 API 限制， DALL-E mini 为创造性探索提供了巨大的潜力，并导致推特 上「怪异的 DALL-E」图像 呈爆炸式增长。 2021-2022 Katherine Crowson发布了一系列CoLab笔记，探索制作 CLIP 引导生成模型的方法。 例如512x512 CLIP-guided diffusion 和 VQGAN-CLIP （ Open domain image generation and editing with natural language guidance ，仅在2022年作为预印本发布但VQGAN一发布就出现了公共实验）。 就像在早期的GAN时代一样，艺术家和开发者以非常有限的手段对现有架构进行重大改进，然后由公司简化，最后由wombo.ai等「初创公司」商业化。 2022 年 4 月 论文《具有 CLIP 潜能的分层文本条件图像生成 》发表 。 该论文介绍了DALL-E 2。 它建立在仅几周前发布的 GLIDE论文（《 GLIDE：使用文本引导扩散模型实现逼真图像生成和编辑》的基础上。 同时，由于 DALL-E 2 的访问受限和有意 限制 ，人们对DALL-E mini重新产生了兴趣。 根据模型卡，数据包括「公开可用资源和我们许可的资源的组合」，以及根据该论文的完整CLIP和 DALL-E数据集。 「金发女郎的人像照片，用数码单反相机拍摄，中性背景，高分辨率」，使用 DALL-E 2 生成。基于 Transformer 的生成模型与后来的 GAN 架构（如 StyleGAN 2）的真实感相匹配，但允许创建广泛的各种主题和图案 2022 年 5-6 月 5月，论文《具有深度语言理解的真实感文本到图像扩散模型 》发表。 6月，论文《 用于内容丰富的文本到图像生成的缩放自回归模型 》发表。 这两篇论文中，介绍了Imagegen和Parti。 以及谷歌对DALL-E 2的回答。 「你知道我今天为什么阻止你吗？」由DALL-E 2生成，「prompt engineering」从此成为艺术图像合成的主要方法

AI Photoshop（2022年至今）

虽然DALL-E 2为图像模型设定了新标准，但它迅速商业化，也意味着在使用上从一开始就受到限制。 用户仍继续尝试DALL-E mini等较小的模型。 紧接着，随着石破天惊的Stable Diffusion的发布，所有这一切都发生了变化。 可以说，Stable Diffusion标志着图像合成「Photoshop时代」的开始。 「有四串葡萄的静物，试图创造出像古代画家 Zeuxis Juan El Labrador Fernandez，1636 年，马德里普拉多的葡萄一样栩栩如生的葡萄」，Stable Diffusion产生的六种变化 2022 年 8 月 Stability.ai 发布 Stable Diffusion模型。 ‍ 在论文《具有潜在扩散模型的高分辨率图像合成 》中，Stability.ai隆重推出了Stable Diffusion。 这个模型可以实现与DALL-E 2同等的照片级真实感。 除了DALL-E 2，模型几乎立即向公众开放，并且可以在CoLab和Huggingface平台上运行。 2022 年 8 月 谷歌发表论文《 DreamBooth：为主题驱动生成微调文本到图像扩散模型 》。 DreamBooth提供了对扩散模型越来越细粒度的控制。 然而，即使没有此类额外的技术干预， 使用像 Photoshop 这样的生成模型 也变得可行，从草图开始，逐层添加生成的修改。 2022 年 10 月 最大的图库公司之一Shutterstock 宣布与 OpenAI 合作提供/许可生成图像 ，可以预计，图库市场将受到Stable Diffusion等生成模型的严重影响。

关键词： 图像合成 神经网络