各种笔墨生成图片的AIGC模子（openAI、谷歌、stable、Midjourney等） ...

1 前言

AIGC，全名“AI generated content”，又称生成式AI，意为人工智能生成内容。比方AI文本续写，笔墨转图像的AI图、视频等。
本文重要形貌笔墨生成图片的模子。而且现在扩散模子（Diffusion Models）盛行，所以下面列的大部门是基于扩散模子的，而基于GAN(GenerativeAdversarialNetworks,中文叫生成式对抗网络)的较少。
笔墨生成图片示比方下：

模子汇总如下，时间以论文（arxiv）的时间为主：

模子	公司或机构	时间	备注
DALL·E	openAI	2021年2月	dVAE
GLIDE	openAI	2022年3月	引导扩散（guided diffusion）
DALL·E2	openAI	2022年4月	unclip、扩散模子
Imagen	google	2022年5月23日	扩散模子
Parti	google	2022年6月	ViT-VQGAN
Stable Diffusion	Stability AI	2022年4月	开源
Midjourney	Midjourney	2022年3月	未公开技术
Make-A-Scene	Meta（facebook）	2022年3月
ERNIE-ViLG 2.0	百度	2023年3月	扩散模子
CogView	清华	2021年11月	VQ-VAE
CogView2	清华	2022年5月	VQ-VAE
Disco Diffusion	Accomplice	2021年10月

2 openAI

2.1 DALL·E：

DALL-E还没有使用扩散模子，使用的dVAE（discrete variational autoencoder离散变分自动编码器）。

详见：DALL·E:OpenAI第一代文本生成图片模子DALL·E:OpenAI第一代文本生成图片模子_AI强仔的博客-CSDN博客

2.2 GLIDE

DALL-E 的参数量是 120 亿，而 GLIDE 仅有 35 亿参数。GLIDE指 Guided Language to Image Diffusion for Generation and Editing 。

在新模子 GLIDE 中，OpenAI 将引导扩散（guided diffusion）应用于文本生成图像的问题。起首该研究训练了一个 35 亿参数的扩散模子，使用文本编码器以自然语言形貌为条件，然后比力了两种引导扩散模子至文本 prompt 的方法：CLIP 引导和无分类器引导。通过人工和自动评估，该研究发现无分类器引导能够产生更高质量的图像。

论文地点：《GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models 》https://arxiv.org/pdf/2112.10741.pdf
2.3 DALL·E 2

DALL·E 2:虚线上面部门是CLIP。虚线之下是我们文本到图像生成过程，一个CLIP text embedding输入到autoregressive大概扩散模子（prior部门）来生成一个image embedding，然后这个embedding输入到扩散模子decoder，生成终极的图像.

详见：DALL·E 2 :OpenAI第二代文本生成图片模子（unCLIP--基于CLIP的文本生成图像模子)DALL·E 2 :OpenAI第二代文本生成图片模子（unCLIP--基于CLIP的文本生成图像模子)_AI强仔的博客-CSDN博客
3 Google

3.1 Imagen

使用了一个笔墨转图片的diffusion模子，然后使用了2个超分diffusion模子。

3.2 Parti

Parti，全名叫「Pathways Autoregressive Text-to-Image」，是谷歌大脑老大Jeff Dean提出的多任务AI大模子蓝图Pathway的一部门。
Parti是文本-图片的序列到序列模子，包括编码器息争码器。
使用 ViT-VQGAN。

4 Stability AI

独立研究机构Stability AI成立于2020年，背后出资人是数学家，计算机科学家，著名投资人莫斯塔克（Emad Mostaque）。
Stable Diffusion让用户使用消费级的显卡便能够迅速实现文生图。Stable Diffusion 完全免费开源，所有代码均在 GitHub 上公开，任何人都可以拷贝使用。
4.1 Stable Diffusion（LDM）

Stable diffusion是一个基于Latent Diffusion Models（潜在扩散模子，LDMs）的文图生成（text-to-image）模子。出自《High-Resolution Image Synthesis with Latent Diffusion Models 》https://arxiv.org/pdf/2112.10752.pdf。
模子latent diffusion models (LDMs)是两阶段的。第一部门就是下面左半部门（赤色），对图片举行压缩，将图片压缩为隐变量表示（latent），这样可以减少计算复杂度；第二部门还是扩散模子（diffusion与denoising），中间绿色部门。此外引入了cross-attention机制，下图右半部门，方便文本大概图片草稿图等对扩散模子举行施加影响，从而生成我们想要的图片，比如根据文本生成我们想要的图片。

详见stable diffusion(LDM)--图片生成模子_AI强仔的博客-CSDN博客
5 MidJourney

Midjourney是一款2022年3月面世的AI绘画工具，创始人是David Holz。Midjourney 正式团队成员十分精简，共 11 人。除了 CEO 之外，有 8 位研究与工程师，2 位财务与法务。
现在接纳 SaaS 订阅制模式，代价为 10 – 60 美元/月。
Midjourney 最有力的竞争对手是 Stability.AI，与 Midjourney 的闭源不同，其模子 Stable Diffusion 因开源模式受到了广泛关注。
6 Meta（facebook）

6.1 Make-A-Scene

可以在用户创作的粗略草图的根本上，联合文本提示生成具象的图像，纵然用者可以通过草图控制终极图像的详细结果。

论文：https://arxiv.org/pdf/2203.13131.pdf
7 百度

7.1 ERNIE-ViLG 2.0

百度文心一言文本生成图像模子。ERNIE-ViLG 2.0是一个大规模中文-图像扩散模子。

参见ERNIE-ViLG 2.0：百度文心一言文本生成图像模子：ERNIE-ViLG 2.0：百度文心一言文本生成图像模子_AI强仔的博客-CSDN博客。
8 清华大学

8.1 CogView

CogView: Mastering Text-to-Image Generation via Transformers。清华大学唐杰团队出品。
使用VQ-VAE将图像压缩为token序列特征，可以输入到transformer中举行生成训练。

论文：https://arxiv.org/pdf/2105.13290.pdf
8.2 CogView2

cogview2来提升cogview的结果，这次的结果也对标DALL-E2。相比cogview，cogview2接纳分层Transformer以及并行自回归的方式举行生成，并且也训练了国产跨模态的生成模子CogLM.
论文：https://arxiv.org/pdf/2204.14217.pdf

9 Disco Diffusion

Disco Diffusion具有一个强大的开源 CLIP-Guided Diffusion 模子，可以创建详细、逼真的图像。上线于2021年10月29日，由Accomplice开发，Accomplice是一家创立于2016年的公司，致力于帮助每个团队和个人找到适合他们的 AI 驱动的图像工作流程。

• 开源，免费。Disco Diffusion
  

10 Tiamat

国内首家 AI 生成技术服务商「Tiamat」。
青柑，Tiamat创始人、CEO。00后创业者，毕业于上海科技大学计算机科学与技术专业。于2021年创立生成式AI平台Tiamat，专注AI图像生成领域的应用办理方案。将科技与技术联合的深刻理解付诸实践，致力于通过人工智能生成技术，拓阔人类想象力界限。
11 参考

• Midjourney：AIGC现象级应用，一年实现1000万用户和1亿美元营收 ：Midjourney：AIGC现象级应用，一年实现1000万用户和1亿美元营收_产物化_技术_Discord
  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

继续阅读请点击广告