国产AI作画神器火了,更懂中文,竟然还能做周边!

来源:量子位

家人们,听说了吗?

最近在“一句话生成画作”这个圈子里,又一个AI工具悄然火起来了。

不是你以为的Disco Diffusion、DALL·E,再或者Imagen……

而是全圈子都在讲中国话的那种。

瞧,已经入圈的小伙伴们,都开始纷纷晒自己搞出来的杰作了:

从网友们上传的诸多画作来看,这个AI可以cover的风格还真不少。

脑洞大开的《熊猫骑摩托》,中国山水画里的春天小雨,绚丽的概念插画《亚特兰蒂斯》,甚至一只黑白色调的戴帽子抽烟的狗……

那这个既能支持中文,又能hold住众多画风的AI工具,到底是什么来头?

不卖关子。

它的庐山真面目,正是百度最新对外发布的一款中文作画AI——文心·一格

类似这种“你说我画”的AI,听说在国外已经火了很长一段时间。

现在终于等到了个国产版的,那么它到底好不好用呢?


「文心·一格」的初体验


既然在这个圈子流行讲中文,那咱就先从“中国风”开始上手。

例如输进去极具古典韵味的“江南水乡”,然后在方向和风格上选择“传统”、“中国风”。

仅需等待片刻时间,“啪的一下”,一幅符合语义和风格的画作就诞生了:

嘿~还别说,这画还真有一股子“小桥流水人家”的味道。

既然是国风,那就更传统一点,直接输入一句古诗词,看文心·一格会作何反应:

云深不知处

整体来说,这幅画作确实是把“云之深”韵味展现得到位了。

据了解,文心·一格还可以继续加大难度。针对AI图像生成技术的资深用户,一格即将开放高级自定义功能,支持文本描述结合参数设置的方式探索更多创意。

当然,也可以在”艺术家精品画廊”里先浏览下内测用户已经生成的图片,像下面这张:

讲真,若非知道这是AI创作的,第一眼还以为是哪个动漫中的场景,是有够绚烂的了。

还有下面这一张,也同样称得上是惊艳绝伦。

但正所谓“货比三家”,那么文心·一格作为AI作画这条赛道的“后起之秀”,和国外的产品相比又如何呢?

下一个挑战环节,就是国内AI vs. 国外AI——恶犬咆哮。

较为明显的是,Disco Diffusion的风格更趋向于狂野;而文心·一格则是更偏向现实主义一些。

再拿文心·一格和DALL·E 2做个比较——毕加索风格的猫:

在看完这两者的创作对比,你觉得谁家的更毕加索一些呢?

不过在这般效果背后,对应的问题也随之而来:

要生成风格更全面的图片,文心·一格的用法会更复杂吗?


懂中文,也懂“懒人”


用起来,并不复杂。

我们从操作界面、提示词要求和性能要求几方面,对Disco Diffusion和文心·一格等AI画画产品进行了简单对比。

操作界面上,Disco Diffusion开放的接口不能说很复杂,但确实有点门槛。

它直接在谷歌Colab上运行,需要申请账号后使用(图片生成后保存在云盘),图像分辨率、尺寸需要手动输入,此外还有一些模型上的设置。

好处是可更改的参数更多,对于高端玩家来说可操作性更强,只是比较适合专门研究AI算法的人群:

相比之下,文心·一格的操作只需三个步骤:输入文字,鼠标选择风格&尺寸,点击生成。

前文已经提到,文心·一格同样也具备Disco Diffusion的“高级自定义”功能,随后便会开放,对于想拥有更多“参数自由”的小伙伴们来说,同样是个不错的选择。

至于提示词,Disco Diffusion的设置还要更麻烦一些。

除了描述画面的内容以外,包括画作类别和参考的艺术家风格也都得用提示词来设置,通常大伙儿会在其他文档中编辑好,再直接粘过来。

关键一旦提示词设置得不好,生成的效果就不尽如人意,需要反复尝试、不断细化,AI最终才能生成合适的画面效果。

相比之下文心·一格倒是没有格式要求,输入150字的句子或词组都可以:

当然,输入画家名字如莫奈,也能输出对应风格:

最后是性能要求上,Disco Diffusion是有GPU使用限制的,每天只能免费跑3小时。抱抱脸(HuggingFace)上部分AI文生图算法的Demo虽然操作简单些,但一旦网速不行,就容易加载不出来:

测试mini DALL·E时加载就失败过

相比之下,文心·一格除了使用高峰期以外,基本上都是2分钟就能生成,对使用设备也没有要求。

总体来看,同样是文字生成图片AI,实际相比文心·一格的“真·一句话生成图片”,DALL·E和Disco Diffusion的生成过程都不太轻松。

所以在这背后,文心·一格生成图像,究竟是基于一个怎样的逻辑?

我们以输入“云深不知处”为例,希望能输出一幅中国风的画作。当接收到这几个字词(query)后,AI的脑细胞就开始“运作”了起来,从语法、词法、语义等角度对文本进行分析。

如果将生成过程可视化,这个阶段还看不出什么效果,处于AI理解文本的阶段:

很快,AI“拆解”文本后,理解要怎么画这幅画了,于是在特定尺寸(用户可选)的画纸上,构思出整体的轮廓,兼具云的元素和中国画的风格:

随后,基于扩散生成模型的原理,迭代地完善并修正画面细节,不断提高清晰度、反复检查图文描述一致性,用更精确的配色替代噪声:

最后,生成名为《云深不知处》的完整画作:

看似“一句话生成图片”不难,其实对AI语义理解图像生成能力提出了进一步要求。

为了能更好地理解文本、提升输出效果,文心·一格还在百度文心的图文生成跨模态模型ERNIE-VilG的基础上,进行了更详细的优化。

为了提升图文理解能力,在知识增强的基础上,引入跨模态多视角对比学习

为了降低输入要求同时提升效果,采用基于知识的文本联想能力,让模型学会自己扩展提示词的细节和风格;

为了提升图像生成能力,采用渐进式扩散模型训练算法,让模型来选择效果最好的生成网络。

此外,在训练和数据上,文心大模型的产业级能力也进一步给文心·一格提供了帮助,例如AI训练数据和平时在产业实践中积累的经验,都能应用到文心·一格的模型中去;至于百度知识图谱的算法能力,则进一步提升了模型通用性。

值得一提的是,如果开发者想将文心·一格的能力用到产品中,直接调用ERNIE-VilG的API接口就行,可以说是非常方便了。


One More Thing


我们在试玩文心·一格的时候,还发现了左下角这些有意思的应用场景,一键就能生成预览:

例如,颇有自如风格的装饰画:

老板批量发年货时印的编织袋(手动狗头):

其实,这也是文心·一格区别于Disco Diffusion、OpenAI的DALL·E 2的另一个特点——更强的实用性。

不仅普通玩家可以用来生成自己想画但画不出来的内容,绝不会有两幅相同的画作,脑洞再放大点,就连媒体作者等文字内容创作者,也能用它高质量高效率配图。

(嗯,以后你看量子位的文章,说不定有些配图就是用AI生成的)

专业画师、或是设计师和艺术家,更可以用它来启发灵感、辅助创作。

当然,从官网看来,这个产品还在更新迭代、进一步优化中。

至于未来是否会在更多数字藏品、插画、海报和电影动漫中,看见文心·一格的画作?

我们拭目以待。