近来，视觉合成任务备受关注。几天前英伟达的 GauGAN 刚刚上新了 2.0 版本，现在一个新视觉合成模型 Nüwa（女娲）也火了。
相比于 GauGAN，「女娲」的生成模式更加多样，不仅有文本涂鸦生成图像，还能从文本生成视频。
随着 VQ-VAE 这种离散化 VAE 方案的出现，高效和大规模的预训练被逐渐应用于视觉合成任务，例如 DALL-E（图像）、GODIVA（视频）。这些模型虽然取得了巨大的成功，但仍然存在一些局限性——它们分别处理图像和视频，专注于生成其中一种，这限制了模型从图像和视频数据中受益。相比之下，「女娲」是一个统一的多模态预训练模型，在 8 种包含图像和视频处理的下游视觉任务上具有出色的合成效果。
论文地址：https://arxiv.org/pdf/2111.12417.pdf
GitHub 地址：https://github.com/microsoft/NUWA
模型概览
该研究提出了一个通用的 3D transformer——编码器 - 解码器框架（如下图所示），同时涵盖了语言、图像和视频，可用于多种视觉合成任务。该框架由以文本或视觉草图作为输入的自适应编码器和由 8 个视觉合成任务共享的解码器组成。
「女娲」整体架构图。
该框架还包含一种 3D Nearby Attention (3DNA) 机制，以考虑空间和时间上的局部特征。3DNA 不仅降低了计算复杂度，还提高了生成结果的视觉质量。与几个强大的基线相比，「女娲」在文本到图像生成、文本到视频生成、视频预测等方面都得到了 SOTA 结果。此外，「女娲」还显示出惊人的零样本学习能力。
「女娲」的 8 种跨模态合成模式分别是：
文本转图像：
涂鸦转图像：
图像补全：
根据文本编辑图像：
文本转视频：
视频预测：
涂鸦转视频：
根据文本编辑视频：
实验结果
还研究通过多项实验评估了合成结果。
首先研究者将「女娲」在三个数据集上进行预训练：用于文本 - 图像 (T2I) 生成的 Conceptual Captions，包括 2.9M 文本 - 图像对；用于视频预测 (V2V) 的 Moments in Time，包括 727K 视频；用于文本 - 视频 (T2V) 生成的 VATEX 数据集，包括 241K 文本 - 视频对。
与 SOTA 方法比较
文本 - 图像 (T2I) 微调：该研究比较了「女娲」在 MSCOCO 数据集上的性能，如表 1 和图 3 所示：在表 1 中，「女娲」明显优于 CogView，其中 FID-0 为 12.9，CLIPSIM 为 0.3429 。尽管 XMC-GAN 的 FID-0 为 9.3，优于「女娲」，但「女娲」能生成更逼真的图像，如图 3 所示。特别是在最后一个例子中，「女娲」生成的男孩脸更清晰，并且男孩旁边的气球也很逼真。
文本 - 视频 (T2V) 微调：该研究在 Kinetics 数据集上评估了「女娲」，结果如表 2 和图 4 所示。在表 2 中，「女娲」在所有指标上实现了最好的性能。
在图 4 中，该研究还展示了「女娲」强大的零样本生成能力，可以生成没见过的图像，例如：在游泳池里打高尔夫球，在海里奔跑：
视频预测 (V2V) 微调：该研究在 BAIR Robot Pushing 数据集上对「女娲」和其他模型进行了比较，结果如表 3 所示：为了进行公平比较，所有模型都使用 64×64 分辨率。虽然只给出了一帧作为条件（Cond.），但「女娲」仍然将 SOTA FVD 得分从 94±2 降到 86.9 。
草图 - 图像 (S2I)微调：该研究在 MSCOCO stuff 上进行实验，如图 5 所示。与 Taming-Transformers 和 SPADE 相比，「女娲」生成了种类繁多的逼真汽车， 甚至巴士车窗的反射也清晰可见。
图像补全 (I2I) 零样本评估：给定塔楼的上部，与 Taming Transformers 模型进行比较，「女娲」可以生成对塔楼下半部分更丰富的想象，包括生成周围建筑物、湖泊、花草、树木、山脉等。
文本 - 指导图像处理 (TI2I) 零样本评估：「女娲」显示了其强大的处理能力，可以生成高质量的文本一致性结果，而不会改变图像的其他部分。
消融实验
图 5 显示了文本 - 视频 (T2V) 生成任务中多任务预训练的有效性。该研究在具有挑战性的数据集 MSR-VTT（具有自然描述和真实视频） 上进行了实验。「女娲」FID-vid 为 47.68，CLIPSIM 为 0.2439。
图 9 显示了文本指导视频处理(TV2V)。第一行显示了原始视频帧，潜水员在潜水；第二行为潜水员正在向水面游；第三行显示可以让潜水员游到海底，如果我们想生成让潜水员飞向天空的图片？「女娲」可以实现，从图中可以看出，潜水员像火箭一样飞向天空。
