原文來源：AIGC開放社區

　　文生圖領域一直面臨著一個核心難題,就是有條件圖像生成的效果，遠超無條件的圖像生成。有條件圖像生成是指模型在生成圖像的過程中,會額外使用類別、文本等輔助信息進行指導,這樣可以更好的理解用戶的文本意圖，生成的圖像質量也更高。

　　而無條件圖像生成完全基于模型自己學習的數據分布,難以形成有效的指導，所以，我們經常會有的AI平臺生成的圖像驢唇不對馬嘴，或者圖像有重大缺陷。

　　為了解決這個問題,麻省理工學院和Meta的AI研究人員開發了RCG模型(Representation-Conditioned imageGeneration)。

　　RCG是一種創新性的“基于表示條件的圖像生成”模型。所謂“表示條件”,就是讓模型自己從數據中提取表示來進行指導，而無需任何人工數據標注。所以，RCG能以更小的消耗，生成與有指導模型相媲美的圖片。

　　開源地址：‌

　　論文地址：‌

　　從RCG的論文來看，其圖片生成流程采用了擬人化思路。先規劃出要生成圖片的大體輪廓,然后再根據這一構思去繪制圖片的細節。

　　就像我們人類畫畫一樣,先在大腦中構思畫作的整體思路，例如，想畫一匹馬,先想象馬的形體;想畫一個蘋果,先想象個大紅色的圓球，然后根據整體“表示”畫出圖像的細節。

　　圖像編碼器

　　圖像編碼器的作用是從圖像中提取有意義的表示。這些表示在保留圖像的語義信息的同時,也要比較簡單、易于建模。

　　目前流行的自監督學習算法主要可以分為兩大類:1)基于預訓練任務，這類方法會人為設計一個預訓練任務,讓模型去預測一些偽標簽。比如旋轉預測任務,讓模型預測圖像被旋轉的角度等。

　　2)基于對比學習，這類方法會構造正樣本和負樣本。讓模型學會區分和拉遠它們在表示空間的距離，代表性算法包括MoCo、SimCLR等。

　　實驗證明，基于對比學習方法，可以獲得更加有效的圖像表示,因此RCG選擇了這種方式。并使用了MoCo v3進行預訓練,這是圖像分類任務上效果最優的自監督對比學習算法之一。

　　為了使表示維度可控,RCG使用了帶有預測頭的Transformer模型。預測頭會規劃成256維的向量,這樣就獲得了編碼器輸出的表示。該表示同時還進行了歸一化處理,以符合高斯分布。

　　表示生成模塊

　　在提取到圖像的表示之后,下一步就是對這些表示進行采樣。通常,我們希望模型可以捕捉表示空間的分布,具有生成各種新穎表示的能力,從而指導下游的圖像生成。

　　為此,RCG提出了表示擴散模型RDM。它使用全連接網絡作為主干,包含數個殘差塊。每個塊里面包括激活函數、線性層等。

　　RDM模塊訓練時,采用了DDIM算法。即先將真實圖像表示加入高斯噪聲,讓RDM去除噪并重構原始表示;生成時,從完全噪聲表示出發,逐步采樣清晰的表示。

　　RDM模塊的參數和計算量很小,所以即使增加塊數和寬度,也不會帶來太大的額外負擔。這樣我們可以充分發掘表示空間的豐富信息,指導下游生成。

　　像素生成器

　　提取表示并對其建模之后,最后一步就是根據表示來生成圖像像素。RCG中的像素生成器可以使用任意的條件圖像生成模型,只需要將原有的條件(比如類別標簽)替換為RDM生成的表示即可。

　　訓練時,MAGE接收帶有遮蔽(Mask)的圖像作為輸入,其中帶X的是被遮蔽的，同時也輸入對應圖像的表示,然后學習重構被遮蔽的內容。

　　為了驗證RCG模型的效果,研究團隊基于ImageNet測試平臺中的256×256數據集進行了實驗。

　　結果顯示，RCG的FID分數為3.56和IS的253.4，超過了之前最好的無條件生成模型MAGE的結果,與當前狀態最好的有條件模型CDM差不多。