---

  新智元报道  

自从AI图片生成技术爆火以后，各路玩家纷纷亲自尝试。

要不就是用AI做个头像，要不就是生成一些奇思妙想的画作。

但要我说，这些点子和今天的主人公Dinda比起来，简直就是不值一提。

思路打开一点嘛。

Dinda是YouTube的一名照片编辑，本着近水楼台先得月的原则，他每天就是和图片生成软件打交道。

最近，Dinda遭遇了全世界大龄青年都会面临的问题——来自长辈的催婚。

然而，Dinda小哥事业未就，怎能思虑儿女情长？可来自长辈的压力又不能不管，那就只剩一条路了——作假骗长辈。

在以前，作假是一件很麻烦的事，要找一个知根知底的异性朋友，约好来个一日情侣。见见家长，把两边都糊弄过去就算完。

但是不得不说，风险挺大的。一个大活人，可不能随时都配合着应付来自长辈的检查。

Dinda想了一个妙招。如果自己能用DALL-E生成一大堆和女朋友合拍的照片，时不时给长辈发过去应付一下，不就行了？

Dinda打开了DALL-E，用图像修复功能进行操作。该功能允许用户擦除图片上的一部分，然后DALL-E会根据用户输入的文字来填补空缺的部分。

于是，Dinda整了点自己的自拍照，然后把身边的空间擦了一块，留下一个正好能放下自己假想的女朋友的位置。

接着，他在指令中输入——一个有女朋友的男人。

然后，啪。

这还不算完，一般和修图打交道的人都很重视细节。

为了让生成的图像更加的逼真，Dinda还把虚拟女友的脸给裁了下来，导出到一个叫GFP-GAN的人工智能照片编辑程序中。

通过这个程序，Dinda可以进行微调，把这张脸做得更逼真。之后再把微调过的图像放到ps里，再修一下，最后放回原始图像。

这样一来，生成的照片就无可挑剔了。

Dinda表示，「就算我告诉别人这张照片是生成的，90%的人也不知道哪里是动过的。」

与此同时，他还演示了照片编辑人员如何使用同样的技术在AI的帮助下把人去掉。

还是一样的把要去掉的人身上涂抹一下，DALL-E就会生成一个替代背景出来。虽然背景很复杂，但是生成出来的图片也还可以。

DALL-E究竟是什么呢？

我不允许还有人没听说过DALL·E。毕竟，现在都出到2代——DALL·E 2了。

这是一款由OpenAI开发的转化器模型，全部的功能就是把「话」变成「画」。

具体来说，DALL·E是一个有120亿参数版本的GPT-3，被训练成了使用文本生成图像的模型。背后的数据集是文本-图像的对应集。

比如上面这几张图，有戴帽子的狗，做实验的熊猫，还有长得像星云的狗狗。有没有觉得，哪怕不合常理，但是并不违和？这就是DALL·E能做到的。说起DALL-E的源头，其实是研究人员从GPT-3那里得到了启发。GPT-3是个用语言生成语言的工具，而图像GPT则可以用来生成高保真度的图片。

研究人员发现，用文本来操控视觉，是可以做到的。也就是这样，DALL·E成为了一个和GPT-3一样的转化器。

在此基础上，研究人员又开始琢磨同时用文本描述多个物体，生成一张图。这些物体各自的特征、之间的空间位置关系全都交给文字来描述。

比方说，输入文本：一只戴着红帽子、黄手套，穿着蓝衬衫和绿裤子的刺猬。为了正确生成对应的图片，DALL·E不仅要正确理解不同衣服和刺猬之间的关系，还不能混淆不同衣服和颜色的对应关系。

这种任务被称作变量绑定，在文献中有大量的相关研究。

可以说，DALL·E从1代到2代，就是这么一个个小任务走过来的。最终能够呈现的就是一个不错的文本-图像转化器。

要说今年最火的AI便是多模态人工智能崛起。

上半年，文本生成图像AI模型（T2I）各家争霸。

除了DALL-E，谷歌自家Imagen、Parti，Meta的文本图像生成工具Make-A-Scene，再到现在大火的Stable Diffusion、谷歌文本3D生成模型DreamFusion都在扩充着文本转图像的应用。

先是4月，在GPT-3大模型的加持下，Open AI对画图界的扛把子DALL-E进行了2.0版的全面升级。

和上一代相比，可以说，DALL·E 2简直就是直接从二次元简笔画走向超高清大图：

分辨率提升4倍，从256x256提升到了1024x1024，并且生成图像的准确率也更高！

5月，谷歌不甘落后推出AI创作神器Imagen，效果奇佳。

仅仅给出一个场景的描述，Imagen就能生成高质量、高分辨率的图像，无论这种场景在现实世界中是否合乎逻辑。

6月，谷歌再次推出了新一代AI绘画大师Parti。

要说Imagen和Parti不同地方，便在于采取了不同的策略——自回归和扩散。

Parti是一个自回归模型，它的方法首先将一组图像转换为一系列代码条目，然后将给定的文本提示转换为这些代码条目并「拼成」一个新图像。

7月，Meta公布了自家的AI「画家」——Make-A-Scene，通过文本描述，再加上一张草图，就能生成你想要的样子。

最重要的是，构图上下、左右、大小、形状等各种元素都由你说了算。

可以看到，DALL-E 2、Imagen等仍然停留在二维创作，无法生成360度无死角的3D模型。

而谷歌发布的文本3D生成模型DreamFusion便开辟了这一新路线。

训练后的模型可以在任意角度、任意光照条件、任意三维环境中基于给定的文本提示生成模型。

而且整个过程既不需要3D训练数据，也无需修改图像扩散模型，完全依赖预训练扩散模型作为先验。

由此可见，在文本转图像这块，各大厂已经卷上了新高度。

甚至有人称，今年文本转视频AI模型暂时还不会到来。

没想到的是，Meta和谷歌再次打破了这一预言。

9月底，Meta最先公布了文本一键生成视频模型Make-A-Video。

这一模型厉害到什么程度？

除了可以把文本变成视频之外，它也可以把静态图变成Gif、把视频变成视频。

这一模型发布后，就连图灵奖得主Yann LeCun称，该来的都会来。

比如「马儿喝水」，生成如下效果：

猫主子拿着遥控器在看电视

简直AI导演上线。

紧接着10月，谷歌还是文本视频模型两连发。

先是Imagen Video，与Meta的Make-A-Video相比最突出一个特点就是「高清」。

它能生成1280*768分辨率、每秒24帧的视频片段。

与此同时，还有Phenaki模型，让骑马的宇航员也动了起来。

这一模型能根据200个词左右的提示语生成2分钟以上的长镜头，讲述一个完整的故事。

在文本转视频上，下一个谁会接棒？

https://petapixel.com/2022/10/14/photographer-creates-ai-girlfriend-to-stave-off-nosy-relatives/