1 基本框架
- ①：文字变成向量
- ②：喂入噪声+文字encoder，产生中间产物
- ③：decoder 还原图片
2 text encoder
这张图越往右下表示效果越好，可以看到text encoder尺寸越大，对后续生成图片的增益越多
3 评价图片生成好坏的标准
3.1 FID
- 现有一个训练好的CNN 模型，可以生成真实影像和生成图像的representation
- 这两组表征的分布越近，效果越好
- ------>我们sample 一堆图片，然后生成一组同语义的图片，计算他们分布的distance
3.2 CLIP
- 如果图片和文字是成对的，那么他们的representation越近表示生成的图片效果越好
4 decoder
- 训练一个auoto encoder
- 训练完把decoder拿出来用即可
5 噪声加的位置
- 之前defusion model 中，noise是加在图片上
- 但现在产生的东西已经不是图片了
- ------>noise 加在中间产物上
大体上和diffusion model 类似，这里就是最后多接一个decoder，将中间产物变成图片
