外星人的梦境？CLIP模型让GAN用一句话生成奇幻艺术作品

---

  新智元报道  

来源：berkeley

编辑：好困

【新智元导读】或许，工科和艺术之间并不存在一个明显的界限。就像用AI生成的这些图像，可以说就是一幅幅艺术作品。而这些模型和代码的背后，又似乎只是一些被认为是与艺术毫无关系的程序员。

最近几个月，AI生成艺术领域的发展如同雨后春笋一般。

 

自从OpenAI开源了CLIP模型的权重和代码之后，网友们就开始利用它去创造各种有趣的视觉艺术。

 

而CLIP模型创造力是如此之强，仅根据这些短短的文字，就能以不可思议的抽象风格将它们呈现出来。

而你，并不会知道出现的会是什么：可能是迷幻的伪现实场景，或者是更加抽象的东西。

 

例如，输入 「夜晚的城市景观」，就会生成这种很酷、很抽象的画面。

 

 

亦或是生成「吉卜力画风的场景」。

 

 

CLIP也可以用来生成短的动画，例如这个「星空」。

 

 

自然语言输入是一个完全开放的沙盒，如果能按照模型的喜好使用文字，你几乎可以创造任何东西。

 

在概念上，这种从文本描述生成图像的想法与OpenAI的DALL-E模型惊人地相似。但实际上却完全不同。

 

DALL-E是直接从语言中产生高质量的图像而进行的端到端训练，而CLIP则是使用语言来引导现有的无条件图像生成模型。

 

DALL-E文本到图像的端到端生成

 

CLIP是如何生成艺术作品的

  

不过，这些基于CLIP的方法要相对拙略一些，所以输出的结果并不像DALL-E那样具有很高质量和精确度。相反，这些生成的图像是怪异、迷幻和抽象的。

 

正是这种怪异使这些基于CLIP的作品如此独特，让人在熟悉的事物上看到完全不同的结果。

 

「牛油果形状的扶手椅」：上图由DALL-E生成，下图由CLIP生成的

 

CLIP：一个意想不到的故事

 

2021年1月5日，OpenAI开源了CLIP：一个用来给图像进行标注的模型。

 

在数以亿计的图像中学习之后，CLIP不仅在给图像挑选最佳的标注方面变得相当熟练，而且在分类方面还展示出了比以往任何模型都更强大的鲁棒性。

 

除此以外，CLIP还学会了抽象的视觉表征，在某种程度上这还是第一次。

 

但很显然，没有任何迹象表明CLIP还能在生成艺术方面带来任何帮助。

 

然而，网友们只花了一天时间就发现，通过一个简单的技巧，CLIP就可以用来指导现有的图像生成模型（如GANs、Autoencoders或像SIREN这样的隐式神经表征），输出基于给定文字描述的图像。

 

其中，CLIP在生成模型的潜在空间进行搜索，从而找到与给定的文字描述相匹配的潜在图像。

 

然而，这种方法在早期生成的图像可以说十分诡异。

 

 

Big Sleep：一切的开始

不过，在短短的几周之后就有了突破性进展，advadnoun发布并开源了Big Sleep的代码：一种基于CLIP并使用Big GAN作为生成模型的文本到图像技术。

 

有趣的是，模型的名字起源于一部超现实主义的黑色电影The Big Sleep。

 

 

The Big Sleep以其独特的方式，几乎可以呈现任何能用文字表达的东西。

 

日落——The Big Sleep

 

起风了——The Big Sleep

 

在一切的尽头，摇摇欲坠的建筑和刺破天空的武器——The Big Sleep

 

看到这些作品，也就不难想象为何网友给出一个富有「哲学」的观点了：

 

你可以把CLIP的输出看作是单纯的统计平均数的产物：计算语言和视觉之间的相关性的结果，因为它们存在于互联网上。因此，从这个角度来看，CLIP的输出更像是在窥视时代潮流，并把事情看成是类似于 「互联网的统计平均值」。

 

VQ-GAN：一个新的超级生成模型

2020年12月17日，海德堡大学的研究人员发表了他们的论文「Taming Transformers for High-Resolution Image Synthesis」，提出了一种新的GAN架构：VQ-GAN。

 

VQ-GAN将conv-nets和transformers结合在一起，并充分地利用了conv-nets在局部感应偏差和transformers在全局注意力上的优势。

 

在四月初，advadnoun和RiversHaveWings开始把VQ-GAN和CLIP结合到一起，尝试从文本提示中生成图像。

 

新的方法与The Big Sleep基本相同，只不过原本的生成模型Big-GAN，变成了VQ-GAN。

 

结果就是，生成的图像在风格上发生了巨大的转变。

 

一系列的管道——VQ-GAN+CLIP

 

在月光下跳舞——VQ-GAN+CLIP

 

以武器作为枝条的树——VQ-GAN+CLIP

 

VQ-GAN+CLIP的输出看起来不像是The Big Sleep那样的绘画，而更像一个雕塑。

 

这个结果有些出乎意料，只是把生成模型从Big-Gan换成VQ-Gan，就能获得一个全新风格的「艺术家」。

 

当然，这也从侧面说明了CLIP的通用性：可以插入任何一个生成模型，并在之后产生具有全新风格和形式的艺术。

 

虚幻引擎（Unreal Engine ）技巧

除了可以切换生成模型来改变输出的风格以外，还有一个更简单的技巧可以做到这一点。

 

只需要添加一些特定的关键词到文字提示中，CLIP就能对输出的图像做出相应地修改——以它所「理解」的方式。

 

这其中最有吸引力的一个技巧就是：「虚幻引擎技巧」。其中，虚幻引擎是一个由Epic Games开发的3D创作渲染工具。

 

 

网友jbustter发现，如果在文字提示中加入 「在虚幻引擎中渲染」，输出结果看起来会更真实。

 

 

CLIP似乎学习了很多被标记为「用虚幻引擎渲染」的电脑游戏图片，因此，通过在文字提示中加入这一点，就能有效地激励了模型去「复现」那些由虚幻引擎渲染的图像。

 

一个神奇的童话屋，虚幻引擎——VQ-GAN+CLIP

 

在某种程度上，虚幻引擎的技巧是一种突破。它使人们认识到在提示中添加关键词可以有多大的效果。

 

于是，有越来越多复杂的提示被使用，用来尽可能地提取最高质量的输出。

 

「山顶附近暴风雪中的小木屋，黄昏时分打开一盏灯 | artstation | 虚幻引擎」——VQ-GAN+CLIP

 

「山顶上的房子在午夜时分的哑光画，小萤火虫在周围飞来飞去，是吉卜力工作室的风格 | artstation | 虚幻引擎」——VQ-GAN+CLIP

 

这些看起来与之前VQ-GAN+CLIP生成的图像完全不同。它们看起来更像是经过编辑的照片或视频游戏的场景。

 

根据这些关键词，模型将会输出风格各异的艺术作品，同时，随着生成模型的发展，也将会有更多更出色的作品产生。

而这仅仅是个开始。

参考资料：

https://ml.berkeley.edu/blog/posts/clip-art/?continueFlag=ae8c92b06679c71e74349cb040d81f29