Photorealistic Text-to-Image Diffusion Models with Deep Language Understanding

计算机科学 图像(数学) 忠诚 语言模型 人工智能 水准点(测量) 自然语言处理 地图学 地理 电信
作者
Chitwan Saharia,William Chan,Saurabh Saxena,Lala Li,Jay Whang,Emily Denton,Seyed Kamyar Seyed Ghasemipour,Burcu Karagol Ayan,S. Sara Mahdavi,Rapha Gontijo Lopes,Tim Salimans,Jonathan Ho,David J. Fleet,Mohammad Norouzi
出处
期刊:Cornell University - arXiv 被引量:77
标识
DOI:10.48550/arxiv.2205.11487
摘要

We present Imagen, a text-to-image diffusion model with an unprecedented degree of photorealism and a deep level of language understanding. Imagen builds on the power of large transformer language models in understanding text and hinges on the strength of diffusion models in high-fidelity image generation. Our key discovery is that generic large language models (e.g. T5), pretrained on text-only corpora, are surprisingly effective at encoding text for image synthesis: increasing the size of the language model in Imagen boosts both sample fidelity and image-text alignment much more than increasing the size of the image diffusion model. Imagen achieves a new state-of-the-art FID score of 7.27 on the COCO dataset, without ever training on COCO, and human raters find Imagen samples to be on par with the COCO data itself in image-text alignment. To assess text-to-image models in greater depth, we introduce DrawBench, a comprehensive and challenging benchmark for text-to-image models. With DrawBench, we compare Imagen with recent methods including VQ-GAN+CLIP, Latent Diffusion Models, and DALL-E 2, and find that human raters prefer Imagen over other models in side-by-side comparisons, both in terms of sample quality and image-text alignment. See https://imagen.research.google/ for an overview of the results.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
Robin发布了新的文献求助10
刚刚
1秒前
大个应助lalala采纳,获得10
2秒前
jing发布了新的文献求助10
2秒前
2秒前
优秀傲松完成签到,获得积分10
2秒前
橄榄囚徒完成签到 ,获得积分10
4秒前
是小杨啊发布了新的文献求助10
4秒前
4秒前
英姑应助momo采纳,获得10
6秒前
爆米花应助小超哥哥小采纳,获得10
6秒前
一只熊发布了新的文献求助10
6秒前
6秒前
大白包子李完成签到,获得积分10
6秒前
orixero应助虚幻花卷采纳,获得10
7秒前
9秒前
Owen应助奶茶采纳,获得10
9秒前
洪亮发布了新的文献求助10
9秒前
寒冷银耳汤完成签到,获得积分10
9秒前
10秒前
swing完成签到 ,获得积分10
10秒前
11秒前
11秒前
CHer发布了新的文献求助10
11秒前
12秒前
猪猪侠发布了新的文献求助10
12秒前
13秒前
英俊的铭应助清欢采纳,获得10
14秒前
陈末完成签到,获得积分10
14秒前
蒋若风发布了新的文献求助10
15秒前
怡然诗珊完成签到,获得积分20
15秒前
重要的菲鹰完成签到 ,获得积分10
15秒前
16秒前
官尔发布了新的文献求助10
17秒前
kdh510发布了新的文献求助10
17秒前
ZYH发布了新的文献求助10
18秒前
20秒前
20秒前
诚心的代灵完成签到,获得积分10
20秒前
小黄发布了新的文献求助10
20秒前
高分求助中
歯科矯正学 第7版(或第5版) 1004
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Semiconductor Process Reliability in Practice 720
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 700
Mesopotamian divination texts : conversing with the gods : sources from the first millennium BCE 500
The Heath Anthology of American Literature: Early Nineteenth Century 1800 - 1865 Vol. B 500
A new species of Velataspis (Hemiptera Coccoidea Diaspididae) from tea in Assam 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3222964
求助须知:如何正确求助?哪些是违规求助? 2871692
关于积分的说明 8176873
捐赠科研通 2538636
什么是DOI,文献DOI怎么找? 1370695
科研通“疑难数据库(出版商)”最低求助积分说明 645857
邀请新用户注册赠送积分活动 619776