【新智元导读】卷疯了卷疯了,谷歌刚刚放出了文生图AI模型的巅峰之作Imagen2,实测效果逼真细腻,生成的美女图仿佛真人照片,对于提示的还原程度已经打败了DALL·E3和Midjourney!最强文生图大模型这是要易主了?
提问:下面这张图,是AI生图还是照片?
如果不是这么问,绝大多数人大概都不会想到,这居然不是一张照片。
是的,只要在谷歌最新AI生图神器Imagen2中输入这样的提示词——
A shot of a32-year-old female, up and coming conservationist in a jungle; athleticwith short, curly hair and a warm smile
一位32岁的年轻女性自然保护主义者,正在丛林中探险。她体格健壮,一头短卷发,面带亲切的微笑
就能得到开头那张无比逼真写实、比照片还像照片的图像了!
虽然圣诞节已经临近,但谷歌还在卷个不停——号称DALL·E3最强竞品的文生图模型Imagen2,终于重磅上线了。
刚用Gemini和OpenAI卷完GPT-4,立马又放出Imagen2来卷DALL·E3了,2023年底的「卷王」称号,谷歌是实至名归。
不仅手指逼真,而且拿筷子的姿势也很标准
可以说,Imagen2是目前文本转图像技术的巅峰之作,已经突破了AI生图的界限。
在机器学习算法强大功能的加持下,Imagen2可以将文本描述转换为生动清晰的高分辨率图像。
Imagen2最与众不同之处在于,它能够以惊人的准确性,理解复杂抽象的概念,然后把这个概念可视化,细腻之程度令人惊叹!
Imagen2的核心,还是复杂的神经网络架构。经过微调的Transformer模型,在文本理解和图像合成上,都表现出了无与伦比的性能。
现在,在文生图领域,谷歌又竖立了新的标杆。
用自然语言就能生图的模型,又多了一个
现在,除了DALL·E3之外,我们又有了一个仅凭自然语言就能生图的模型!
相比之下,Midjourney必须用复杂、专业的提示词,在易使用性上已经被两位竞争者甩出了很远。
仅凭简单文本,就能生存多样化的复杂图像,这类AI生图模型对于内容创作的影响是极其深远的。
对于依赖视觉内容的行业来说,这彻底改变了游戏规则,大大减少了传统内容制作所需的时间,内容创作者可以以前所未有的速度,制作高质量的视觉效果。
同时,Imagen2还具有无可比拟的图像质量和多功能性。
Imagen2用到了谷歌最先进的文本到图像扩散技术,生图质量极高、效果逼真,而且和用户的提示具有高度的一致性。
原因在于,它是使用训练数据的自然分布来生成更逼真的图像,而非采用预先编程的样式。
可以看到,Imagen2的图像生成能力非常惊人。
无论是渲染错综复杂的风景、详细的物体,还是奇幻的场景,生成的图像都具有如此高的保真度,以至于它们可以与人类艺术家创作的图像相媲美,甚至直接超越。
Small canvas oil painting of an orange on a chopping board. Light is passing throughorange segments, casting an orange light across part of the chopping board. There is a blueand white cloth in the background. Caustics, bounce light, expressive brush strokes
一小幅油画,描绘了摆放在砧板上的橙子。阳光穿过橙子的切片,柔和的橙色光线洒在砧板上。画的背景是一块蓝白相间的布,画面巧妙地捕捉了光的折射、反射效果,同时展示了画家富有感情的笔触
有网友表示,看到Imagen的这张橙子图,真是让我大吃一惊。灯光穿过橙子后的投影,和提示中描述的意境非常吻合!
有人用同样的提示,让DALL·E3生成了同样的橙子油画图,效果比起Imagen3来说,的确弱了不少。
类似的,Midjourney生成的橙子,在真实感和意境层面,也要差上一截。
诗中意境,一键逼真还原
以往的「文本到图像」模型,通常是根据训练数据集的图像和标题中的详细信息,来生成与用户提示匹配的图像的。
但是它们有一个bug:对于每张图像和配对的标题,在细节质量和准确性上可能会有很大差异。
为了帮助创建更高质量和更准确的图像、更好地符合用户的提示,Imagen2的训练数据集中添加了更多描述,帮助Imagen2学习不同的标题风格,并更好地理解广泛的用户提示。
这种图像标题配对,就有助于Imagen2更好地理解图像和文字之间的关系,大大提高了它对上下文和细微差别的理解。
就比如,美国作家Phillis Wheatley《晚间赞美诗》中的一句话「溪流潺潺,鸟儿啁啾,空中飘荡着它们混合的音乐」。
诗中绝美的意境,Imagen2把要点全抓住了。
“Soft purl the streams, the birds renew their notes, And through the air their mingledmusic floats.” (A Hymn to the Evening by Phillis Wheatley)
相比之下,Midjourney似乎对于文学描述的内容把握还是欠缺一些,大概率会在图中自动添加一个人物。不过整体画面效果还是不错的。
而到了DALL·E3这里,它居然在图像上加了几行字,生成了一张「贺卡」?
在著名的小说《白鲸记》中,Herman Melville曾写下「想象一下大海的微妙之处,最可怕的地方在于生物如何在水下滑行,却在大多数情况下不易察觉,并且诡谲地隐藏在最可爱的蔚蓝色调下」。
Imagen2也是很懂「海洋文学」的特点。
“Consider the subtleness of the sea, how its most dreaded creatures glide underwater, unapparent for the most part, and treacherously hidden beneath the loveliest tints ofazure.” (Moby-Dick by Herman Melville)
相比之下,Midjourney和DALL·E3一到深海,就瞬间就克苏鲁了起来……
Midjourney
DALL·E3
儿童文学大家Frances Hodgson Burnett所著的《秘密花园》中,对知更鸟有这样一句描述:
知更鸟从缠绕的常春藤上飞到墙头,张开嘴巴,唱出了一个响亮而甜美的颤音,只是为了炫耀自己。世界上就没有什么东西能比它更惹人喜爱了——它们几乎总是这样做。
快看,Imagen2生成的这幅画,把常春藤、墙头、唱歌等暗藏的细节,悉数呈现了出来。
“The robin flew from his swinging spray of ivy on to the top of the wall and he openedhis beak and sang a loud, lovely trill, merely to show off. Nothing in the world is quite asadorably lovely as a robin when he shows off – and they are nearly always doing it.” (TheSecret Garden by Frances Hodgson Burnett)
同样的提示词,Midjourney在真实感上还要差上几分。
而DALL·E3相比上面两家,就更逊色了,尤其在植物和羽毛的细节上。
风格复刻,随意变换,更懂人类美学
一直以来,图像生成饱受诟病的问题之一,便是人物的手指生成。
这次,Imagen2的数据集和模型进步,在许多领域取得了改进。
其中就包括渲染逼真的手部和人脸,以及保持图像不受干扰的视觉伪影。
同时,谷歌DeepMind根据人类对光线、取景、曝光、清晰度等特质的偏好,训练了一个专门的「图像美学模型」。
每张图像都被给予一个美学分数,这有助于调节Imagen2在其训练数据集中赋予人类偏好的图像更多的权重。
这样一来,就提高了Imagen2生成更高质量图像的能力。
使用提示「花」的AI生成的图像,美学分数从低(左)到高(右)
Imagen2的扩散技术提供了高度的灵活性,使得更容易控制和调整图像的风格。
通过提供参考风格图像并结合文本提示,可以训练Imagen2生成遵循相同风格的新图像。
通过使用参考图像和文本提示,Imagen2可以更轻松地控制输出样式
更强的「修复」和「扩图」
此外,Imagen2还支持图像编辑功能,如「修复」(inpainting)和「扩图」(outpainting)。
通过提供参考图像和图像掩码,我们可以用inpainting技术直接在原始图像中生成新内容。
在下面这幅原始图中,只要输入「绿色墙上有一个架子,架子上放着几本书和花瓶」,对应内容就在原图中生成了!
新内容毫不突兀,完美融入原图,浑然天成。
另外,我们还可以使用outpainting功能,给原始图像扩图。
夕阳下非洲大草原上长颈鹿和斑马的双人大头贴,一下子就扩成了全身照。
全面加持企业级场景,logo文案一键生成,中文也支持
现在,谷歌已经Imagen2下放到开发者平台Vertex AI。
在Vertex AI平台上,客户可以使用直观的工具来自定义和部署Imagen2,享受全面管理的基础设施和内置的隐私与安全保护。
在谷歌DeepMind的技术加持下,Imagen2在图像质量上实现了显著提升,帮助开发者根据特定需求创造图像,其中包括:
– 根据自然语言的提示生成高质量、逼真、高分辨率且精美的图像;
– 支持多语言文本渲染,能够在图像中准确添加文本内容;
– 可以设计公司或产品的Logo,并将其嵌入到图像中;
– 提供视觉问题解答功能,可以从图像中生成标注,或就图像细节提出的问题给出具有信息性的文本回答。
高质量图像:借助于改进的图像和文本理解,以及多种创新的训练和建模技术,Imagen2能够生成精准、高品质且逼真的图像。
文本渲染支持:可以根据提示内容,精准地渲染出正确的文本。
Imagen2可以在生成含有特定文字或短语的物体图像时,确保输出图像中包含正确短语。
Logo设计:Imagen2能为品牌、产品等生成多种创意和逼真的Logo,比如徽章、字母甚至非常抽象的Logo。
标注和问答:利用增强的图像理解能力,Imagen2能够创建详细的长文标注,并对图像内元素提出的问题给出详细答案。
多语言提示:除了英语,Imagen2还支持其他6种语言(中文、印地语、日语、韩语、葡萄牙语、西班牙语),并计划在2024年初增加更多语言。这项功能还包括提示与输出之间的翻译能力,比如,可以用西班牙语提示,但指定输出为葡萄牙语。
图像加水印,生成更安全
为了帮助降低文本到图像生成技术的潜在风险和挑战,谷歌从设计和开发到产品部署都设置了强大的护栏。
Imagen2集成了SynthID——用于加水印和识别 AI 生成内容的尖端工具包。
这样,Google Cloud平台的客户可以直接在图像中添加数字水印,同时不会降低图像质量。
不过,即使在对图像进行过滤、裁剪或使用有损压缩方案保存后,SynthID仍然可以检测出。
除此之外,在向所有用户推出之前,谷歌会进行强大的安全测试,以最大限度地降低伤害风险。
从一开始,谷歌团队就投入对Imagen2的数据安全训练,并添加了技术护栏来限制有问题的输出,如暴力、冒犯或色情内容。
同时,谷歌还对训练数据、输入提示和系统生成的输出进行安全检查。比如正在应用全面的安全过滤器,以避免生成名人图像等有潜在问题的内容。
网友惊呼:真·最强文生图模型来了!
Google DeepMind研究副总裁兼深度学习主管Oriol Vinyals尝试用Imagen2为Gemini生成徽标。
另一位谷歌科学家用Imagen2生成的图像如下。
下面是一只网友实测生成的蓝猫。
有网友认为,Imagen2是同类产品中最好的。就像Gemini Ultra一样,看手和文字就足够了。
不过,他还吐槽了谷歌不向所有人开放产品的问题。
「像往常一样,谷歌宣布了一款大多数人无法使用的产品,这有什么意义?!」
参考资料:
https://deepmind.google/technologies/imagen-2/
https://cloud.google.com/blog/products/ai-machine-learning/imagen-2-on-vertex-ai-is-now-generally-available
本文来自投稿,不代表新手站长_郑州云淘科技有限公司立场,如若转载,请注明出处:http://www.cnzhanzhang.com/3390.html