Meta 公司稱，這款模型在文生圖方面的表現(xiàn)，達到了業(yè)界最高水平。 Meta 開發(fā)出文生圖模型CM3Leon

近日，Meta 公司宣布開發(fā)出一款名為 CM3Leon（發(fā)音類似「chameleon」）的文生圖模型，該模型能夠獨力解決文本到圖像和圖像到文本的雙向生成任務。

Meta 表示：“在打造高質量生成模型的探索之路上，我們相信 CM3leon 在各類任務中的強大性能，正是邁向高保真度圖像生成與理解的重要一步。像 CM3leon 這樣的模型終將成為元宇宙中的創(chuàng)造力源泉與應用成果，我們也期待繼續(xù)突破多模態(tài)語言模型的新疆界、未來將更多優(yōu)秀模型呈現(xiàn)在大家面前。”

據(jù)介紹，CM3leon 是首個使用純文本語言模型配方改編和訓練而成的多模態(tài)模型，并經(jīng)歷了大規(guī)模檢索增強預訓練和隨后的多任務監(jiān)督微調(diào)（SFT）階段。與 Stable Diffusion、DALL-E、Midjourney 等文生圖模型依賴于擴散（diffusion）模型技術不同，CM3Leon 采用了基于 token 的自回歸模型方法。

Meta 表示，盡管訓練時的計算量僅相當于以往基于 Transformer 方法的五分之一，但 CM3leon 在文本到圖像的生成方面還是獲得了同類領先的性能。CM3leon 既具備自回歸模型的功能多樣性和有效性，也保持著較低的訓練成本和良好的推理效率。作為一套因果掩碼混合模態(tài)（CM3）模型，它能夠以其他圖像和文本內(nèi)容的任意序列為條件，生成相應的文本與圖像序列。這極大擴展了以往大模型只能從文本到圖像、或者只能從圖像到文本的功能局限。

一般來講，純文本生成模型往往會針對各類不同任務進行多任務指令調(diào)整，借此增強其遵循指令提示的能力；而圖像生成模型則更多適配特定任務。Meta 將大規(guī)模多任務指令調(diào)節(jié)運用到 CM3leon 的圖像和文本生成當中，事實證明能夠顯著提高圖像標題生成、視覺問答、基于文本的圖像編輯和按條件生成圖像等能力。這也成為強有力的實例，證明為純文本模型開放的擴展配方也能直接推廣到基于 token 化的圖像生成模型當中。

Meta 稱，與目前廣泛使用的圖像生成基準（零樣本 MS-COCO）進行性能比較時，CM3leon 獲得了 4.88 的 FID（Fréchet Inception Distance，一種用于計算真實圖像與生成圖像間特征向量距離的指標，F(xiàn)ID 值越小則相似度越高，最好為 0），超越谷歌的文本到圖像模型 Parti，證明了自身技術的先進性。

此外，CM3leon 還表現(xiàn)出令人印象深刻的復雜組合對象生成能力。CM3leon 在各類視覺語言任務中均表現(xiàn)良好，包括視覺問答和生成長格式標題。由于訓練數(shù)據(jù)集僅包含 30 億文本 token，因此 CM3leon 的零樣本性能也超越了由更廣泛數(shù)據(jù)集訓練而成的、體量更大的其他模型。

CM3leon 是如何打造出來的？

據(jù)介紹，CM3leon 架構采用的是類似基于文本類模型、已經(jīng)成熟的純解碼器 Transformer。但它的獨特之處，在于能夠同時輸入和生成文本加圖像。正是憑借這種能力，CM3leon 才得以成功解決前文提到的各項任務。

訓練方面，Meta 表示，通過一系列努力，CM3leon 的訓練檢索得到了增強，大大提高了模型成果的效率和可控性。此外，Meta 還根據(jù)各種不同圖像和文本生成任務對模型進行了指令微調(diào)。

隨著 AI 行業(yè)的不斷發(fā)展，像 CM3leon 這樣的生成模型正變得越來越復雜。這些模型通過數(shù)百萬的示例圖像接受訓練，學習視覺效果與文本之間的關系，但同時也可能反映訓練數(shù)據(jù)集中存在的偏差 / 偏見。Meta 稱，目前 AI 行業(yè)仍處于理解和應對這些挑戰(zhàn)的早期階段，提升透明度才是加速解決這些問題的關鍵。

Meta 使用許可數(shù)據(jù)集作為 CM3leon 的訓練素材。在預訓練階段，Meta 使用了數(shù)百萬張來自 Shutterstock 的授權圖片，有著高達 70 億個參數(shù)，這也達到了 OpenAI EALL-E2 模型的兩倍以上。

Meta 方面表示：“在文本到圖像生成領域，圖像數(shù)據(jù)來源的道德影響已經(jīng)引發(fā)了廣泛的討論。在這一研究中，我們只使用 Shutterstock 上的經(jīng)過授權的圖像，因此可以避免與圖像所有權和歸屬相關的擔憂，同時不會犧牲性能?！?/p>

事實證明，即使使用與先前所有模型的訓練數(shù)據(jù)都截然不同的數(shù)據(jù)分布，仍可實現(xiàn)強大的性能。通過全工作流程的透明展示，Meta 希望鼓勵生成式 AI 領域能夠迎來更多合作與創(chuàng)新，打造出不僅更準確、而且對每個人都更加公平和公正的 AI 模型。

CM3leon 的跨任務執(zhí)行

CM3leon 的強大之處在于更好地遵循輸入提示以生成更連貫的圖像。例如，多數(shù)原有圖像生成模型都難以準確還原全局形態(tài)和局部細節(jié)，而 CM3leon 在這方面表現(xiàn)出色，以下是 CM3leon 在各類任務中的表現(xiàn)（所有任務均由單一模型處理完成）：

文本引導的圖像生成與編輯

一般來說，如果約束條件要求將復雜的對象或提示全部體現(xiàn)在輸出結果中時，圖像生成模型往往難以很好地完成工作。這就讓文本引導的圖像編輯（例如“將天空的顏色更改為蔚藍色”）更具挑戰(zhàn)，因為模型需要同時理解文本指令與視覺內(nèi)容。CM3leon 在這類場景下表現(xiàn)良好，具體請參考以下示例。

文本到圖像

給定具有潛在高組合度結構的提示文本，生成遵循提示的連貫圖像。

例如，CM3leon 根據(jù)提示詞創(chuàng)建了以下四幅圖像：

撒哈拉沙漠中戴著草帽和彩色太陽鏡的小仙人掌；

人手特定照片，高質量手部模型；

動漫風格的浣熊角色準備用武士刀展開戰(zhàn)斗，蓄勢待發(fā)，幻想風，插圖風格；

奇幻風格的停車標志，內(nèi)容為“1991”。

文本引導的圖像編輯

給定圖像與文本提示，根據(jù)文本說明對圖像內(nèi)容做編輯處理。憑借強大的通用性，CM3leon 能夠在單一模型之上完成以上與以下各項任務，這全面突破了以往只能借專用模型（例如 InstructPix2Pix）進行文本引導圖像編輯的局限。

文本任務

CM3leon 模型還能按照一系列不同揭示詞生成或短或長的標題，并回答關于圖像內(nèi)容的問題。

例如，圖像內(nèi)容為一只狗叼著一根棍子。

提示問題: 狗叼著什么？

模型輸出: 棍子

提示詞: 詳細描述這張圖像的內(nèi)容。

模型輸出: 在這張圖片中，有一只狗嘴里叼著一根棍子。地面有草覆蓋，背景中是一片林地。

Meta 還根據(jù)經(jīng)驗評估了這套指令微調(diào)模型在各種圖像標題生成和視覺問答任務中的表現(xiàn)，并將結果與之前最先進的性能基準進行了比較。盡管 CM3leon 模型的文本數(shù)據(jù)量明顯低于 Flamingo（100B）和 OpenFlamingo（40B），但其在 MS-COCO 字幕與 VQA2 問答上的零樣本性能水平仍與 OpenFlamingo 相當，甚至在 VizWiz 任務上以接近 10 分的成績擊敗了 Flamingo 模型。

結構引導的圖像編輯

結構引導的圖像編輯不僅要求模型正確理解并解釋文本指令，還需要在輸入中自行獲取結構或布局信息。而 CM3leon 同樣展現(xiàn)出強大能力，在對圖像進行視覺連貫且匹配背景的編輯的同時，也能嚴格遵守給定的結構或布局指引。

物體到圖像

根據(jù)給定的圖像邊界框生成文本描述，再將結果生成為新圖像。

摳圖

根據(jù)給定的圖像（無文本類）摳圖并生成新的圖像。這里的輸入，代表我們希望進行摳圖的原始素材。

超分辨率結果

以上生成的所有圖像均為 CM3leon 模型的原始輸出結果。當然，圖像生成還涉及另一種常見技巧，就是單獨做超分辨率訓練，借此根據(jù)原始模型生成分辨率更高的新圖像。CM3leon 在這項任務上同樣表現(xiàn)出色，具體請參見下面的文本到圖像生成示例。

每段提示詞對應四張示例圖像：

一杯熱氣騰騰的咖啡，以山脈為背景，公路旅行中的小憩；

夕陽下美麗而雄偉的道路，審美化構圖；

湖中央的圓形小島，湖畔有森林分布，高對比度。

以下是更多生成示例：

海龜在水下游泳，審美化構圖，奇幻風格；

大象在水下游泳，審美化構圖，奇幻風格；

羊群，審美化構圖，奇幻風格。