女娲算法，杀疯了！

今天分享一个「多模态」算法 NÜWA（女娲）。

论文的开头，就放出了效果，NÜWA 包揽了 8 项经典的视觉生成任务的 SOTA。

论文表示，NÜWA 更是在文本到图像生成中“完虐” OpenAI DALL-E。

碾压各种对比的算法效果，杀疯了！

NÜWA 效果

我们先看下 NÜWA 这算法在 8 项经典的视觉生成任务中的表现。

Text-To-Image(T2I)

文字转图片任务，其实就是根据一段文字描述，生成对应描述的图片。

比如：

A dog with gogglesstaring at the camera.

一只戴着护目镜，盯着摄像机的狗。

还有更多效果：

NÜWA 生成的效果看起来就没那么违和，从论文的效果看，很真实！

效果非常 Amazing。

Sketch-To-Image (S2I)

草图转图片任务，就是根据草图的布局，生成对应的图片。

比如：

在一张图片上，画个大致轮廓，就可以自动“脑补”图片。

这效果真是开了眼了，真实效果真如论文这般的话，那确实很强。

这个算法，可以用在很多有意思的场景。

Image Completion (I2I)

图像补全，如果一副图片残缺了，算法可以自动“脑补”出残缺的部分。

好家伙，是不是又有一些大胆的想法了？

这个遮挡还算可以，还有更细碎的。

图片碎成这样，还能“脑补”出画面，我很期待代码。

Image Manipulation (TI2I)

图片处理，根据文字描述，处理图片。

比如：

有一副草原的图片，然后增加一段描述：

a horse is running on the grassland

一匹马奔跑在草原上，然后就可以生成对应的图片。

这惊人的理解力。

这让我想起来了 P 图吧大神，恶搞的作品。

有了这个算法，咱也可以试一试了，哈哈。

Video

这还不算完，除了上述的生成图片的四种效果，NÜWA 还可以生成视频！

对应的四种视频生成任务：

• Text-To-Video (T2V)
• Sketch-To-Video (S2V)
• Sketch-To-Video (S2V)
• Video Manipulation (TV2V)

既可以玩图片又可以玩视频。

NÜWA 原理

NÜWA模型的整体架构包含一个支持多种条件的 adaptive 编码器和一个预训练的解码器，能够同时使图像和视频的信息。

对于图像补全、视频预测、图像处理和视频处理任务，将输入的部分图像或视频直接送入解码器即可。

而编码解码器都是基于一个3D Nearby的自注意力机制（3DNA）建立的，该机制可以同时考虑空间和时间轴的上局部特性，定义如下：

W 表示可学习的权重，X 和 C 分别代表文本、图像、视频数据的 3D 表示。

3DNA 考虑了完整的邻近信息，并为每个 token 动态生成三维邻近注意块。注意力矩阵还显示出 3DNA 的关注部分（蓝色）比三维块稀疏注意力和三维轴稀疏注意力更平滑。

更多细节，可以直接看论文：

论文地址：

https://arxiv.org/abs/2111.12417

NÜWA 代码

NÜWA 的代码还没有开源，不过 Github 已经建立。

Github:

https://github.com/microsoft/NUWA

作者表示，很快就会开源：

公司有开源审批流程，代码也得梳理下，所以可以先 Star 上标记下，耐心等等。

微软亚研院和北大联合打造的一个多模态预训练模型 NÜWA，在首届微软峰会上亮相过。

这种应该不会鸽的~

总结

今年算是多模态 Transformer 大力发展的一年，从各种顶会的论文就能看出，各种多模态。