Google Brain team 推出的文本到圖像生成模型，具有前所未有的寫實主義程度和深度的語言理解。

我們提出了Imagen，一個文本到圖像的擴散模型，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上，并依賴于在高保真圖像生成中擴散模型的強度。我們的關鍵發(fā)現(xiàn)是，在純文本語料庫上進行預訓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散模型的大小更能提高樣本保真度和圖像-文本對齊。