DALL·E: การสร้างภาพจากข้อความ

DALL·E เป็นเวอร์ชัน 12 พันล้านพารามิเตอร์ของ GPT‑3⁠(เปิดในหน้าต่างใหม่) ที่ได้รับการฝึกฝนเพื่อสร้างภาพจากคำอธิบายข้อความ โดยใช้ชุดข้อมูลของคู่ข้อความ-ภาพ เราได้พบว่ามันมีความสามารถที่หลากหลาย รวมถึงการสร้างเวอร์ชันที่มีลักษณะคล้ายมนุษย์ของสัตว์และวัตถุ การผสมผสานแนวคิดที่ไม่เกี่ยวข้องกันในวิธีที่น่าเชื่อถือ การแสดงผลข้อความ และการปรับเปลี่ยนภาพที่มีอยู่

ดูเพิ่มเติม: DALL·E 2⁠ ซึ่งสร้างภาพที่สมจริงและแม่นยำยิ่งขึ้นด้วยความละเอียดที่มากกว่า 4 เท่า

GPT‑3 แสดงให้เห็นว่าภาษาสามารถใช้ในการสั่งงานเครือข่ายประสาทเทียมขนาดใหญ่ให้ทำงานสร้างข้อความหลากหลายประเภทได้ Image GPT⁠ แสดงให้เห็นว่าเครือข่ายประสาทเทียมประเภทเดียวกันสามารถใช้ในการสร้างภาพที่มีความคมชัดสูงได้เช่นกัน เราขยายผลการค้นพบเหล่านี้เพื่อแสดงให้เห็นว่าการจัดการแนวคิดเชิงภาพผ่านภาษานั้นสามารถทำได้ในขณะนี้

เช่นเดียวกับ GPT‑3, DALL·E เป็นโมเดลภาษาแบบทรานส์ฟอร์มเมอร์ มันรับทั้งข้อความและภาพเป็นสตรีมข้อมูลเดียวที่มีได้ถึง 1280 โทเค็น และได้รับการฝึกฝนโดยใช้ความน่าจะเป็นสูงสุดเพื่อสร้างโทเค็นทั้งหมดทีละตัว ^A

กระบวนการฝึกสอนนี้ทำให้ DALL·E สามารถไม่เพียงแต่สร้างภาพจากศูนย์ แต่ยังสามารถสร้างใหม่ในส่วนสี่เหลี่ยมของภาพที่มีอยู่ซึ่งขยายไปถึงมุมล่างขวาได้ในลักษณะที่สอดคล้องกับคำสั่งข้อความ

เราตระหนักดีว่างานที่เกี่ยวข้องกับโมเดลสร้างสรรค์มีศักยภาพที่จะส่งผลกระทบต่อสังคมอย่างกว้างขวางและมีความสำคัญ ในอนาคต เราบริการที่จะวิเคราะห์ว่าโมเดลอย่าง DALL·E มีความเกี่ยวข้องกับประเด็นทางสังคมอย่างไร เช่น ผลกระทบทางเศรษฐกิจต่อกระบวนการทำงานและอาชีพบางประเภท ความเป็นไปได้ของอคติในผลลัพธ์ของโมเดล และความท้าทายทางจริยธรรมในระยะยาวที่เทคโนโลยีนี้อาจก่อให้เกิด

เราพบว่า DALL·E สามารถสร้างภาพที่น่าเชื่อถือสำหรับประโยคที่หลากหลายที่สำรวจโครงสร้างการประกอบของภาษาได้ เราจะแสดงสิ่งนี้โดยใช้ภาพเชิงโต้ตอบในส่วนถัดไป ตัวอย่างที่แสดงสำหรับคำบรรยายแต่ละรายการในภาพได้รับโดยการเลือก 32 อันดับแรกจาก 512 หลังจากการจัดอันดับใหม่ด้วย CLIP⁠ แต่เราไม่ได้ใช้การคัดเลือกด้วยมือ ยกเว้นภาพขนาดย่อและภาพเดี่ยวที่ปรากฏภายนอก^B

เราทดสอบความสามารถของ DALL·E ในการปรับเปลี่ยนคุณลักษณะหลายอย่างของวัตถุ รวมถึงจำนวนครั้งที่มันปรากฏ

การควบคุมวัตถุหลายชิ้นพร้อมกัน รวมถึงคุณลักษณะและความสัมพันธ์เชิงพื้นที่ของพวกมัน ถือเป็นความท้าทายใหม่ ตัวอย่างเช่น พิจารณาวลี “เม่นที่สวมหมวกสีแดง ถุงมือสีเหลือง เสื้อสีฟ้า และกางเกงสีเขียว” เพื่อที่จะตีความประโยคนี้อย่างถูกต้อง DALL·E จะต้องไม่เพียงแต่จัดองค์ประกอบของเสื้อผ้าแต่ละชิ้นกับสัตว์อย่างถูกต้องเท่านั้น แต่ยังต้องสร้างความสัมพันธ์ (หมวก, สีแดง), (ถุงมือ, สีเหลือง), (เสื้อ, สีน้ำเงิน), และ (กางเกง, สีเขียว) โดยไม่สับสน

 เราทดสอบความสามารถของ DALL·E ในการจัดตำแหน่งสัมพัทธ์ การซ้อนวัตถุ และการควบคุมคุณลักษณะหลายประการ

แม้ว่า DALL·E จะมีระดับการควบคุมบางอย่างเกี่ยวกับคุณลักษณะและตำแหน่งของวัตถุจำนวนเล็กน้อย แต่ความสำเร็จอาจขึ้นอยู่กับวิธีการที่คำบรรยายถูกเขียน เมื่อมีการแนะนำวัตถุเพิ่มเติม DALL·E มีแนวโน้มที่จะสับสนในความสัมพันธ์ระหว่างวัตถุกับสีของพวกมัน และอัตราความสำเร็จจะลดลงอย่างรวดเร็ว เรายังสังเกตว่า DALL·E มีความเปราะบางต่อการเปลี่ยนแปลงคำบรรยายในสถานการณ์เหล่านี้: คำบรรยายที่เป็นทางเลือกและมีความหมายเทียบเท่ากันมักจะไม่ให้การตีความที่ถูกต้อง

เราพบว่า DALL·E ยังอนุญาตให้ควบคุมมุมมองของฉากและสไตล์ 3 มิติที่ฉากนั้นถูกเรนเดอร์ได้

เพื่อผลักดันสิ่งนี้ให้ก้าวไปข้างหน้า พวกเราทดสอบความสามารถของ DALL·E ในการวาดภาพศีรษะของบุคคลที่มีชื่อเสียงซ้ำๆ จากมุมต่างๆ ที่มีระยะห่างเท่ากัน และพบว่าเราสามารถสร้างภาพเคลื่อนไหวที่ราบรื่นของศีรษะที่หมุนได้

DALL·E ดูเหมือนจะสามารถใช้การบิดเบือนทางแสงบางประเภทกับฉากได้ ดังที่เราเห็นในตัวเลือก “fisheye lens view” และ “a spherical panorama” สิ่งนี้กระตุ้นให้เราสำรวจความสามารถในการสร้างภาพสะท้อน

ตัวอย่างจาก "มุมมองระยะใกล้มาก" และสไตล์ "เอ็กซ์เรย์" ทำให้เราสำรวจความสามารถของ DALL·E ในการแสดงโครงสร้างภายในด้วยมุมมองแบบตัดขวาง และโครงสร้างภายนอกด้วยภาพถ่ายมาโคร

งานของการแปลข้อความเป็นภาพนั้นยังไม่ชัดเจน: คำบรรยายเพียงคำเดียวมักจะสอดคล้องกับภาพที่เป็นไปได้มากมาย ดังนั้นภาพจึงไม่ได้ถูกกำหนดอย่างเฉพาะเจาะจง ตัวอย่างเช่น พิจารณาคำบรรยายว่า "ภาพวาดของคาปิบาร่านั่งอยู่บนทุ่งหญ้ายามพระอาทิตย์ขึ้น" ขึ้นอยู่กับทิศทางของคาปิบารา อาจจำเป็นต้องวาดเงา แม้ว่ารายละเอียดนี้จะไม่เคยถูกกล่าวถึงอย่างชัดเจน เราสำรวจความสามารถของ DALL·E ในการแก้ไขปัญหาการระบุไม่ชัดเจนในสามกรณี: การเปลี่ยนแปลงสไตล์ ฉาก และเวลา; การวาดวัตถุเดียวกันในสถานการณ์ที่หลากหลาย; และการสร้างภาพของวัตถุที่มีข้อความเฉพาะเขียนอยู่บนวัตถุนั้น

ด้วยระดับความน่าเชื่อถือที่แตกต่างกัน DALL·E ให้การเข้าถึงความสามารถบางส่วนของเอนจินเรนเดอร์ 3 มิติผ่านภาษาธรรมชาติ มันสามารถควบคุมคุณลักษณะของวัตถุจำนวนเล็กน้อยได้อย่างอิสระ และในระดับที่จำกัด สามารถควบคุมจำนวนและการจัดเรียงของวัตถุเหล่านั้นเมื่อเทียบกับกันและกันได้ นอกจากนี้ ยังสามารถควบคุมตำแหน่งและมุมที่ฉากถูกเรนเดอร์ และสามารถสร้างวัตถุที่รู้จักตามข้อกำหนดที่แม่นยำของมุมและสภาพแสงได้

ต่างจากเอนจินเรนเดอร์ 3 มิติ ซึ่งต้องระบุอินพุตอย่างชัดเจนและครบถ้วน DALL·E มักจะสามารถ "เติมเต็มช่องว่าง" ได้เมื่อคำบรรยายบ่งบอกว่าภาพต้องมีรายละเอียดบางอย่างที่ไม่ได้ระบุไว้อย่างชัดเจน

ถัดไป เราจะสำรวจการใช้ความสามารถที่กล่าวถึงก่อนหน้านี้สำหรับการออกแบบแฟชั่นและการออกแบบภายใน

ธรรมชาติของการประกอบกันของภาษาช่วยให้เราสามารถรวมแนวคิดต่าง ๆ เพื่ออธิบายทั้งสิ่งที่เป็นจริงและสิ่งที่จินตนาการได้ เราพบว่า DALL·E ยังมีความสามารถในการผสมผสานแนวคิดที่แตกต่างกันเพื่อสังเคราะห์วัตถุ ซึ่งบางอย่างไม่น่าจะมีอยู่จริงในโลกแห่งความเป็นจริง เราสำรวจความสามารถนี้ในสองกรณี: การถ่ายโอนคุณสมบัติจากแนวคิดต่างๆ ไปยังสัตว์ และการออกแบบผลิตภัณฑ์โดยได้รับแรงบันดาลใจจากแนวคิดที่ไม่เกี่ยวข้องกัน

ในส่วนก่อนหน้านี้ เราได้สำรวจความสามารถของ DALL·E ในการผสมผสานแนวคิดที่ไม่เกี่ยวข้องกันเมื่อสร้างภาพของวัตถุในโลกแห่งความเป็นจริง ที่นี่ เราสำรวจความสามารถนี้ในบริบทของศิลปะ สำหรับภาพประกอบสามประเภท: เวอร์ชันที่มีลักษณะคล้ายมนุษย์ของสัตว์และวัตถุ, สัตว์ผสม, และอิโมจิ

GPT‑3 สามารถถูกสั่งให้ทำงานหลายประเภทได้จากเพียงคำอธิบายและคำใบ้เพื่อสร้างคำตอบที่ให้ไว้ในคำสั่ง โดยไม่ต้องมีการฝึกสอนเพิ่มเติม ตัวอย่างเช่น เมื่อได้รับคำสั่งด้วยวลี “นี่คือประโยค ‘a person walking his dog in the park’ แปลเป็นภาษาฝรั่งเศส:”, GPT‑3 ตอบว่า “un homme qui promène son chien dans le parc.” ความสามารถนี้เรียกว่า zero-shot reasoning เราพบว่า DALL·E ขยายความสามารถนี้ไปยังโดเมนภาพ และสามารถทำงานแปลภาพเป็นภาพหลายประเภทได้เมื่อได้รับคำสั่งที่ถูกต้อง

เราไม่ได้คาดการณ์ว่าความสามารถนี้จะเกิดขึ้น และไม่ได้ทำการปรับเปลี่ยนใดๆ กับเครือข่ายประสาทเทียมหรือการฝึกสอนเพื่อส่งเสริมมัน ด้วยแรงบันดาลใจจากผลลัพธ์เหล่านี้ เราจึงวัดความสามารถของ DALL·E ในการแก้ปัญหาการใช้เหตุผลเชิงอุปมาอุปไมย โดยทดสอบด้วย Raven’s progressive matrices ซึ่งเป็นการทดสอบ IQ ด้านภาพที่ได้รับความนิยมอย่างแพร่หลายในศตวรรษที่ 20

เราพบว่า DALL·E ได้เรียนรู้เกี่ยวกับข้อเท็จจริงทางภูมิศาสตร์ สถานที่สำคัญ และย่านต่างๆ ความรู้เกี่ยวกับแนวคิดเหล่านี้มีความแม่นยำอย่างน่าประหลาดใจในบางด้านและมีข้อบกพร่องในด้านอื่นๆ

นอกจากการสำรวจความรู้ของ DALL·E เกี่ยวกับแนวคิดที่แตกต่างกันไปตามพื้นที่แล้ว เรายังสำรวจความรู้ของมันเกี่ยวกับแนวคิดที่เปลี่ยนแปลงไปตามกาลเวลาอีกด้วย

DALL·E เป็นทรานส์ฟอร์เมอร์แบบมีเฉพาะดีโคเดอร์ที่มีโครงสร้างเรียบง่าย โดยรับทั้งข้อความและรูปภาพเป็นสตรีมเดียวจำนวน 1,280 โทเค็น แบ่งเป็นโทเค็นข้อความ 256 โทเค็นและโทเค็นรูปภาพ 1,024 โทเค็น แล้วสร้างแบบจำลองโทเค็นทั้งหมดด้วยวิธีออโต้รีเกรสซีฟ หน้ากากความสนใจในแต่ละชั้นความสนใจตนเองทั้ง 64 ชั้น ช่วยให้โทเค็นภาพแต่ละตัวสามารถให้ความสนใจกับโทเค็นข้อความทั้งหมดได้ DALL·E ใช้หน้ากากเชิงสาเหตุมาตรฐานสำหรับโทเค็นข้อความ และการให้ความสนใจแบบบางสำหรับโทเค็น ภาพ โดยมีรูปแบบการให้ความสนใจแบบแถว คอลัมน์ หรือคอนโวลูชัน ขึ้นอยู่กับเลเยอร์ เราให้รายละเอียดเพิ่มเติมเกี่ยวกับสถาปัตยกรรมและกระบวนการฝึกสอนใน เอกสาร⁠(เปิดในหน้าต่างใหม่)ของเรา

การสังเคราะห์ข้อความเป็นภาพเป็นหัวข้อการวิจัยที่มีความเคลื่อนไหวตั้งแต่ผลงานบุกเบิกของ Reed และคณะ al,¹ ซึ่งวิธีการของพวกเขาใช้ GAN ที่มีเงื่อนไขจากการฝังข้อความ การฝังข้อมูลถูกสร้างขึ้นโดยตัวเข้ารหัสที่ได้รับการฝึกฝนล่วงหน้าด้วยการสูญเสียแบบเปรียบเทียบ ซึ่งคล้ายกับ CLIP StackGAN³ และ StackGAN++⁴ ใช้ GANs หลายระดับเพื่อเพิ่มความละเอียดของภาพและปรับปรุงความสมจริงของภาพ AttnGAN⁵ รวมการใช้ความสนใจระหว่างคุณลักษณะของข้อความและภาพ และเสนอการสูญเสียการจับคู่คุณลักษณะข้อความ-ภาพแบบเปรียบเทียบเป็นวัตถุประสงค์เสริม สิ่งนี้น่าสนใจที่จะเปรียบเทียบกับการจัดอันดับใหม่ของเราด้วย CLIP ซึ่งดำเนินการแบบออฟไลน์ งานอื่น ๆ รวมแหล่งการควบคุมเพิ่มเติมในระหว่างการฝึกสอนเพื่อปรับปรุงคุณภาพของภาพ ในที่สุด งานโดย Nguyen และคณะ al⁸ และ Cho et al. al⁹ สำรวจกลยุทธ์การสุ่มตัวอย่างสำหรับการสร้างภาพที่ใช้ประโยชน์จากโมเดลจำแนกประเภทมัลติโมดัลที่ได้รับการฝึกฝนล่วงหน้า

คล้ายกับการสุ่มปฏิเสธที่ใช้ใน VQVAE-2⁠(เปิดในหน้าต่างใหม่) เราใช้ CLIP⁠ เพื่อจัดอันดับใหม่ใน 32 อันดับแรกจาก 512 ตัวอย่างสำหรับคำบรรยายแต่ละรายการในภาพเชิงโต้ตอบทั้งหมด กระบวนการนี้ยังสามารถมองว่าเป็นการค้นหาที่นำทางด้วยภาษา¹⁶ และสามารถมีผลกระทบอย่างมากต่อคุณภาพของตัวอย่าง