你说我画，你画我说：全球超大中文跨模态生成模型文心ERNIE-ViLG

 在文字生成图像上，文心 ERNIE-ViLG 可以根据用户输入的文本，自动创作图像，生成的图像不仅符合文字描述，而且达到了非常逼真的效果。在图像到文本的生成上，文心 ERNIE-ViLG 能够理解画面，用简洁的语言描述画面的内容，还能够根据图片中的场景回答相关的问题。

前不久，百度产业级知识增强大模型 “文心” 全景图亮相，近日，其中的跨模态生成模型 ERNIE-ViLG 在百度文心官网开放体验你说入口，并放出了论文：

体验链接：https://wenxin.baidu.com/wenxin/ernie-vilg

论文链接：https://arxiv.org/pdf/2112.15283.pdf

据悉，文心 ERNIE-ViLG 参数规模达到 100 亿，是目前为止全球最大规模中文跨模态生成模型，该模型首次通过自回归算法将图像生成和文本生成统一建模，增强模型的跨模态语义对齐能力，显著提升图文生成效果。

小编带我画你体验文心 ERNIE-ViLG “图像创作”能力：

在文字生成图像上，文心 ERNIE-ViLG 可以根据用户输入的文本，自动创作图像，生成的图像不仅符合文字描述，而且达到了非常逼真的效果。

注意！以下图片都是全新生成，并非可直接搜索到的原图。

文心 ERNIE-ViLG 不仅能创作建筑、动物等单个物体：

还可以创作包含多个物体的复杂场景：

甚至能根据用户输入的文字要求脑洞大开：

对于具有无限想象力的古诗词，文心 E，你RNIE-ViLG 也能生成恰如其分的画面，并根据不同的图画风格也有所调整：

油画风格

中国画风格

水彩画风格

此外，还能根据文字提示对图片进行补全：

而在图像到文本的生成上，文心 ERNIE-ViLG 能够理解画面，用简洁的语言描述画面的内容：

不仅如此，文心 ERNIE-ViLG 还能够根据图片中的场景回答相关的问题：

目前文心 ERNIE-ViLG 在百度文心官网开放体验的文本生图像 demo 能够根据古诗词进行作画我画，增强诗词的画面感。

在这些能力的背后，究竟蕴含着怎样的 AI 技术秘密？

跨模态生成：AI 领域极具挑战性的一道“难题”

跨模态生成，指的是将一种模态 (文本、图像、语音) 转换成另一种模态，同时保持模态之间的语义一致性。

图文生成是跨模态生成的挑战之一。以图片生成文本为例，文本描述概括性强，根据文本生成图片，需要考虑大量文字中未涵盖的细节信息，具有极高的挑战性。例如诗句“春江水暖鸭先知”，仅仅描述了江水、说：鸭子两个物体和春天这个季节，但没有具体描述鸭子的颜色、江边的桃花以及图中物体之间的位置关系。

春江水暖鸭先知

近些年来，基于生成对抗网络 (GAN) 的方法在人脸、风景等受限领域的文本到图像生成任务上已取得了不错的效果；DALL-E 通过超大规模的自回归生成模型，在图像片段之间建立了前后依赖的关系，从而具备多样性生成的建模能力，在多样性更强、难度更大的开放领域文本到图像生成上取得了亮眼的效果。

百度文心全球 ERNIE-ViLG 模型则进一步提出统一的跨模态双向生成模型，通过自回归生成模式对图像生成和文本生成任务进行统一建模，更好地捕捉模态间的语义对齐关系，从而同时提升图文双向生成任务的效果。文心 ERNIE-ViLG 在文本生成图像的权威公开数据集 MS-COCO 上，图片质量评估指标 FID(Fréchet Inception Distance)远超 OpenAI 的 DALL-E 等同类模型，并刷新了图像描述多项任务超大的最好效果。此外，文心 ERNIE-ViLG 还凭借强大的跨模态理解能力，在生成式视觉问答任务上也取得了领先成绩。

文心 ERNIE-ViLG 技术原理解读：图文双向生成统一建模

百度文心 ERNIE-ViLG 使用编码器 - 解码器参数共享的 Transformer 作为自回归生成的主干网络，同时学习文本生成图像、图像生成文本生成两个任务。

基于图像向量量化技术，文心 ERNIE-ViLG 把图像表示成离散的序列，从而将文本和中文图像进行统一的序列自回归生成建模。在文本生成图像时, 文心 ERNIE-ViLG 模型的输入是文本 token 序列，输出是图像 token 序列；图像生成文本时则根据输入的图像序列预测文本内容。两个方向的生成任务使用同一个 Transformer 模型。视觉和语言两个模态在相同模型参数下进行相同模式的生成，能够促进模型建立更好的跨模态语义对齐。

文心 ERNIE-ViLG 图文双向生成统一建模框架

已有基于图像离散跨模表示的文本生成图像模型主要采用两阶段训练，文本生成视觉序列和根据视觉序列重建图像两个阶段独立训练，文心 ERNIE-ViLG 提出了端到端的训练方法，将序列生成过程中 Transformer 模型输出的隐层图像表示连接到重建模型中进行图像还原，为重建模型提供语义更丰富的特征；对于生成模型，可以同时接收自身的抽象监督信号和来自重建模型的原始监督信号，有助于更好地学习图像表示。

文心 ERNIE-ViLG态生 构建了包含 1.45 亿高质量中文文本 - 图像对的大规模跨模态对齐数据集，并基于百度飞桨深度学习平台在该数据集上训练了百亿参数模型，在文本生成图像、图像描述等跨模态生成任务上评估了该模型的效果。

文本生成图像（Text-to-image Synthesis）任务效果

文心 ERNIE-ViLG 文本生成图像的能力在开放领域公开数据集 MS-COCO 上进行了验证。评估指标使用 FID(该指标数值越低效果越好),成模 在 zero-shot 和 finetune 两种方式下，文心 ERNIE-ViLG 都取得了最佳成绩，效果远超 OpenAI 发布的 DALL-E 等模型。

文心 ERNIE-ViLG 在 MS-COCO 数据集上的效果

图像描述（Image Captioning）任务效果

图像生成文本能力上，文心 ERNIE-ViLG 在 COCO-CN、AIC-ICC 两个公开中文图片标题生成数据集上, 都取得了最好成绩。

文心 ERNIE型文-ViLG 在 AIC-ICC 数据集上的效果

生成式视觉问答（Generative VQA）任务效果

在生成式视觉问答方面，文心 ERNIE-ViLG 也展示了不俗的实力。生成式视觉问答要求模型根据图像内容和对应的问题生成答案，模型需要具备深度的视觉内容理解能力和跨模态的语义对齐能力，并需要生成简短的答案文本，难度极高。文心 ERNIE-ViLG 在 FMIQA 数据集上取得了最好的效果，图灵测试的通过率达到了心E 78.5%，优于当前最好方法 14 个百分点。

文心 ERNIE-ViLG 在 FMIQA 数据集上的效果

结语

让机器具备跨模态生成能力是人工智能的重要目标之一。在艺术创作、虚拟现实、图像编辑、AI 辅助设计、虚拟数字人等领域，文心 ERNIE-ViLG 这类跨模态大模型有着广泛的应用前景，也为这些领域未来的发展提供了无限的创意和可能。作为百度 “文心” 大模型全景图中的重要一员，文心 ERNIE-ViLG 也代表着百度文心在RN跨模态大模型领域迈出坚实步伐，从技术自主创新和加速产业应用方面持续推动中国 AI 发展。