1 基本框架

•  ①：文字变成向量
•  ②：喂入噪声+文字encoder，产生中间产物
•  ③：decoder 还原图片

2  text encoder

 这张图越往右下表示效果越好，可以看到text encoder尺寸越大，对后续生成图片的增益越多

3 评价图片生成好坏的标准

3.1 FID

•  现有一个训练好的CNN 模型，可以生成真实影像和生成图像的representation
• 这两组表征的分布越近，效果越好
• ——>我们sample 一堆图片，然后生成一组同语义的图片，计算他们分布的distance

3.2  CLIP

•  如果图片和文字是成对的，那么他们的representation越近表示生成的图片效果越好

4 decoder

• 训练一个auoto encoder
• 训练完把decoder拿出来用即可

5 噪声加的位置

• 之前defusion model 中，noise是加在图片上
• 但现在产生的东西已经不是图片了
  • ——>noise 加在中间产物上

大体上和diffusion model 类似，这里就是最后多接一个decoder，将中间产物变成图片