DALL·E2 也叫 unCLIP，基本可以看成是 DALL·E 和 GLIDE 的合体。
其问题建模采用两阶段方法：
在 Stage2 的 Decoder 训练中：
为了得到大图，还学习了两个 upsample-diffusion-model，分别从 64×64 到 256×256，以及 256×256 到 1024×1024。使用了 guidance-free 的方式，10%的概率随机擦除 CLIP text embedding 输入，50%概率随机丢弃 caption 输入。
在 Stage1 的 Prior 训练方面：
DALL·E2 是在 2022 年引发了基于图像的生成式 AI 热潮的模型。它把 GLIDE 和 DALL·E 结合在一起，把效果做出了圈。同时，它是 AIGC 组成原理中 Image 生成部分重点介绍的模型之一。
[title]（6）AIGC组成原理(下)[heading1]Image生成[heading2]DALL-E2也叫unCLIP，因为CLIP是把图片变成feature，DALL-E2是把feature变成图片。DALL-E2基本可以看成是DALL-E和GLIDE的合体。问题建模很直接，跟DALL-E一样是两阶段方法Stage1:通过caption得到CLIP image embedding的prior过程。方式要么用DALL-E中的autoregressive方法，要么用另外一个diffusion模型来做Stage2:通过CLIP image embedding到生成图片的diffusion decoder。这个过程带有较强的随机性，多样性比DALL-E中的dVAE要好先说Stage2的Decoder的训练本质是个Diffusion模型，细节借鉴了GLIDE。每一次传播过程都会把CLIP text embedding拼接在timestamp embedding后面，CLIP text embedding代表了text全局信息类似GLIDE，把caption原始序列也加入attention里，希望能补充CLIP text embedding没有捕捉到的NLP信息，但是发现效果一般。为了得到大图，还学习了两个upsample-diffusion-model，分别从$$64 \times 64$$到$$256 \times 256$$，以及$$256 \times 256$$到$$1024\times 1024$$使用了guidance-free的方式，10%的概率随机擦除CLIP text embedding输入，50%概率随机丢弃caption输入再说Stage1的Prior训练
[title]进阶：a16z推荐进阶经典[heading1]里程碑式的研究成果[heading3]图像生成模型[Learning transferable visual models from natural language supervision](https://arxiv.org/abs/2103.00020)（2021）：这篇论文介绍了一种基础模型CLIP，将文本描述与图像联系起来。这是计算机视觉中首次有效的大规模使用基础模型。（[博客文章](https://openai.com/research/clip)）[Zero-shot text-to-image generation](https://arxiv.org/abs/2102.12092)（2021）：这篇论文介绍了DALL-E，这是一种将上述的CLIP和GPT-3结合起来，根据文本提示自动生成图像的模型。它的后继者，DALL-E 2，在2022年引发了基于图像的生成式AI热潮。（[博客文章](https://openai.com/research/dall-e)）[High-resolution image synthesis with latent diffusion models](https://arxiv.org/abs/2112.10752)（2021）：描述稳定扩散的论文（在发布和爆炸性开源增长之后）。[Photorealistic text-to-image diffusion models with deep language understanding](https://arxiv.org/abs/2205.11487)（2022年）：Imagen是Google进入AI图像生成领域的尝试。尽管在宣布后的一年多时间里，该模型截止到本文发布日期仍未公开发布。（[网站](https://imagen.research.google/)）[DreamBooth：Fine tuning text-to-image diffusion models for subject-driven generation](https://arxiv.org/abs/2208.12242)（2022）：DreamBooth是Google开发的一种系统，用于训练模型识别用户提交的主题，并将其应用到提示的上下文中（例如[用户]在艾菲尔铁塔下微笑）。（[网站](https://dreambooth.github.io/)）
[title]（6）AIGC组成原理(下)[heading1]开篇Image生成。重点介绍了VAE系列和Diffusion系列，各选了3种方法VAE系列。[VQ-VAE(2017.11)](https://arxiv.org/abs/1711.00937)把VAE的隐空间变成了离散的；[dVAE(2021.02)](https://arxiv.org/abs/2102.12092)使用gumbel softmax trick提高了VQ-VAE的随机性；[DALL-E(2021.02)](https://arxiv.org/abs/2102.12092)分别建模了$$p\theta(x|z)$$$$p\theta(x|z)$$和$$p\psi(z|y)$$$$p\psi(z|y)$$完成了文生图的任务。Diffusion系列。[GLIDE(2021.12)](https://arxiv.org/abs/2112.10741)贯彻了classifier-free的思路，完成了文生图和带文字的图片编辑任务；[DALL-E2](https://arxiv.org/abs/2204.06125)(2022.04)把GLIDE和DALL-E结合在一起，把效果做出了圈；[ControlNet(2023.02)](https://arxiv.org/abs/2302.05543)用旁路网络和zero convolution的方式把多种condition植入stable diffusion模型，得到了广泛的应用