本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
要说2021年OpenAI最热最有创意的产品，那么非Dall·E莫属了，这是一个可以从“AI设计师”，只要给它一段文字，就能按要求生成图像。但可惜的是Dall·E并不支持中文。
现在好了，最近清华大学唐杰团队打造了一个“中文版Dall·E”——CogView，它可以将中文文字转图像。
CogView可以生成现实中真实存在场景，如“一条小溪在山涧流淌”：
也可以制造不存在的虚拟事物，如“猫猪”：
有时候还有点黑色幽默，如“一个心酸的博士生”：
CogView现在还提供了试玩网页，你可以在那里输入任何文字去转成图形，不像OpenAI的Dall·E只提供几个关键词修改选项。
能指定画风，能设计服装
CogView的能力可不仅仅是从文字输入图像，它还能处理不同微调策略的下游任务，例如风格学习、超分辨率、文本图像排名和时装设计。
在使用CogView的时候，可以加入不同风格限定，从而生成不同的绘画效果。在微调期间，图像对应的文本也是“XX风格的图像”。
CogView设计的服装也像模像样，看起来就像电商展示页，没有虚假痕迹。
原理
CogView是一个带有VQ-VAE分词器40亿参数的Transfomer，它的总体结构如下：
CogView使用GPT模型处理离散字典上的token序列。然后将学习过程分为两个阶段：编码器和解码器学习最小化重建损失，单个GPT通过串联文本优化两个负对数似然 (NLL) 损失。
结果是，第一阶段退化为纯离散自动编码器，作为图像tokenizer将图像转换为标记序列；第二阶段的GPT承担了大部分建模任务。
图像tokenizer的训练非常重要，方法有最近邻映射、Gumbel采样、softmax逼近三种，Dall·E使用的是第三种，而对于CogView来说三者差别不大。
CogView的主干是一个单向Transformer，共有48层、40个注意力头、40亿参数，隐藏层的大小为2560。
在训练中，作者发现CogView有两种不稳定性：溢出（以NaN损失为特征）和下溢（以发散损失为特征），然后他们提出了用PB-Relax、Sandwich-LN来解决它们。
最后，CogView在MS COCO实现了最低的FID，其性能优于以前基于GAN的模型和以及类似的Dall·E。
而在人工评估的测试中，CogView被选为最好的概率为37.02%，远远超过其他基于GAN的模型，已经可以与Ground Truth（59.53%）竞争。
另外作者已经放出了GitHub项目页，不过目前还没有代码，感兴趣的朋友可以关注一下等代码放出。
论文地址：
https://arxiv.org/abs/2105.13290
试用Demo：
https://lab.aminer.cn/cogview/index.html
GitHub页：
https://github.com/THUDM/CogView
