我們提出了Imagen，一個文本到圖像的擴(kuò)散模型，具有前所未有的寫實主義程度和深度的語言理解。Imagen建立在理解文本的大型變壓器語言模型的基礎(chǔ)上，并依賴于在高保真圖像生成中擴(kuò)散模型的強(qiáng)度。我們的關(guān)鍵發(fā)現(xiàn)是，在純文本語料庫上進(jìn)行預(yù)訓(xùn)練的通用大型語言模型(例如T5)在編碼用于圖像合成的文本方面驚人地有效:在Imagen中增加語言模型的大小比增加圖像擴(kuò)散模型的大小更能提高樣本保真度和圖像-文本對齊。Imagen在沒有經(jīng)過COCO訓(xùn)練的情況下，在COCO數(shù)據(jù)集上獲得了7.27的最新FID分?jǐn)?shù)，并且人類評分者發(fā)現(xiàn)Imagen樣本在圖像-文本對齊方面與COCO數(shù)據(jù)本身不相上下。為了更深入地評估文本到圖像模型，我們引入了DrawBench，這是一個全面且具有挑戰(zhàn)性的文本到圖像模型基準(zhǔn)測試。使用DrawBench，我們將Imagen與最近的方法進(jìn)行了比較，包括VQ-GAN+CLIP、潛在擴(kuò)散模型和DALL-E 2，并發(fā)現(xiàn)人類評分者在并排比較中更喜歡Imagen，無論是在樣本質(zhì)量還是圖像-文本對齊方面。

• 喜歡（11）
• 不喜歡（2）