谷歌文生圖巔峰之作Imagen 2登場，實測暴打DALL·E 3和Midjourney！
提問：下面這張圖，是AI生圖還是照片？
如果不是這么問，絕大多數人大概都不會想到，這居然不是一張照片。
是的，只要在谷歌最新AI生圖神器Imagen 2中輸入這樣的提示詞——
A shot of a 32-year-old female, up and coming conservationist in a jungle; athleticwith short, curly hair and a warm smile
一位32歲的年輕女性自然保護主義者，正在叢林中探險。她體格健壯，一頭短卷發，面帶親切的微笑
就能得到開頭那張無比逼真寫實、比照片還像照片的圖像了！
雖然圣誕節已經臨近，但谷歌還在卷個不停——號稱DALL·E 3最強競品的文生圖模型Imagen 2，終于重磅上線了。
剛用Gemini和OpenAI卷完GPT-4，立馬又放出Imagen 2來卷DALL·E 3了，2023年底的「卷王」稱號，谷歌是實至名歸。
不僅手指逼真，而且拿筷子的姿勢也很標準
可以說，Imagen 2是目前文本轉圖像技術的巔峰之作，已經突破了AI生圖的界限。
在機器學習算法強大功能的加持下，Imagen 2可以將文本描述轉換為生動清晰的高分辨率圖像。
Imagen 2最與眾不同之處在于，它能夠以驚人的準確性，理解復雜抽象的概念，然后把這個概念可視化，細膩之程度令人驚嘆！
Imagen 2的核心，還是復雜的神經網絡架構。經過微調的Transformer模型，在文本理解和圖像合成上，都表現出了無與倫比的性能。
現在，在文生圖領域，谷歌又豎立了新的標桿。
用自然語言就能生圖的模型，又多了一個
現在，除了DALL·E 3之外，我們又有了一個僅憑自然語言就能生圖的模型！
相比之下，Midjourney必須用復雜、專業的提示詞，在易使用性上已經被兩位競爭者甩出了很遠。
僅憑簡單文本，就能生存多樣化的復雜圖像，這類AI生圖模型對于內容創作的影響是極其深遠的。
對于依賴視覺內容的行業來說，這徹底改變了游戲規則，大大減少了傳統內容制作所需的時間，內容創作者可以以前所未有的速度，制作高質量的視覺效果。
同時，Imagen 2還具有無可比擬的圖像質量和多功能性。
Imagen 2用到了谷歌最先進的文本到圖像擴散技術，生圖質量極高、效果逼真，而且和用戶的提示具有高度的一致性。
原因在于，它是使用訓練數據的自然分布來生成更逼真的圖像，而非采用預先編程的樣式。
A jellyfish on a dark blue background
水母在深藍色的背景下悠然漂浮
可以看到，Imagen 2的圖像生成能力非常驚人。
無論是渲染錯綜復雜的風景、詳細的物體，還是奇幻的場景，生成的圖像都具有如此高的保真度，以至于它們可以與人類藝術家創作的圖像相媲美，甚至直接超越。
Small canvas oil painting of an orange on a chopping board. Light is passing throughorange segments, casting an orange light across part of the chopping board. There is a blueand white cloth in the background. Caustics, bounce light, expressive brush strokes
一小幅油畫，描繪了擺放在砧板上的橙子。陽光穿過橙子的切片，柔和的橙色光線灑在砧板上。畫的背景是一塊藍白相間的布，畫面巧妙地捕捉了光的折射、反射效果，同時展示了畫家富有感情的筆觸
有網友表示，看到Imagen的這張橙子圖，真是讓我大吃一驚。燈光穿過橙子后的投影，和提示中描述的意境非常吻合！
有人用同樣的提示，讓DALL·E 3生成了同樣的橙子油畫圖，效果比起Imagen 3來說，的確弱了不少。
類似的，Midjourney生成的橙子，在真實感和意境層面，也要差上一截。
詩中意境，一鍵逼真還原
以往的「文本到圖像」模型，通常是根據訓練數據集的圖像和標題中的詳細信息，來生成與用戶提示匹配的圖像的。
但是它們有一個bug：對于每張圖像和配對的標題，在細節質量和準確性上可能會有很大差異。
為了幫助創建更高質量和更準確的圖像、更好地符合用戶的提示，Imagen 2的訓練數據集中添加了更多描述，幫助Imagen 2學習不同的標題風格，并更好地理解廣泛的用戶提示。
這種圖像標題配對，就有助于Imagen 2更好地理解圖像和文字之間的關系，大大提高了它對上下文和細微差別的理解。
就比如，美國作家Phillis Wheatley《晚間贊美詩》中的一句話「溪流潺潺，鳥兒啁啾，空中飄蕩著它們混合的音樂」。
詩中絕美的意境，Imagen 2把要點全抓住了。
"Soft purl the streams, the birds renew their notes, And through the air their mingledmusic floats." (A Hymn to the Evening by Phillis Wheatley)
相比之下，Midjourney似乎對于文學描述的內容把握還是欠缺一些，大概率會在圖中自動添加一個人物。不過整體畫面效果還是不錯的。
而到了DALL·E 3這里，它居然在圖像上加了幾行字，生成了一張「賀卡」？
在著名的小說《白鯨記》中，Herman Melville曾寫下「想象一下大海的微妙之處，最可怕的地方在于生物如何在水下滑行，卻在大多數情況下不易察覺，并且詭譎地隱藏在最可愛的蔚藍色調下」。
Imagen 2也是很懂「海洋文學」的特點。
"Consider the subtleness of the sea, how its most dreaded creatures glide underwater, unapparent for the most part, and treacherously hidden beneath the loveliest tints ofazure." (Moby-Dick by Herman Melville)
相比之下，Midjourney和DALL·E 3一到深海，就瞬間就克蘇魯了起來……
Midjourney
DALL·E 3
兒童文學大家Frances Hodgson Burnett所著的《秘密花園》中，對知更鳥有這樣一句描述：
知更鳥從纏繞的常春藤上飛到墻頭，張開嘴巴，唱出了一個響亮而甜美的顫音，只是為了炫耀自己。世界上就沒有什么東西能比它更惹人喜愛了——它們幾乎總是這樣做。
快看，Imagen 2生成的這幅畫，把常春藤、墻頭、唱歌等暗藏的細節，悉數呈現了出來。
"The robin flew from his swinging spray of ivy on to the top of the wall and he openedhis beak and sang a loud, lovely trill, merely to show off. Nothing in the world is quite asadorably lovely as a robin when he shows off - and they are nearly always doing it." (TheSecret Garden by Frances Hodgson Burnett)
同樣的提示詞，Midjourney在真實感上還要差上幾分。
而DALL·E 3相比上面兩家，就更遜色了，尤其在植物和羽毛的細節上。
風格復刻，隨意變換，更懂人類美學
一直以來，圖像生成飽受詬病的問題之一，便是人物的手指生成。
這次，Imagen 2的數據集和模型進步，在許多領域取得了改進。
其中就包括渲染逼真的手部和人臉，以及保持圖像不受干擾的視覺偽影。
同時，谷歌DeepMind根據人類對光線、取景、曝光、清晰度等特質的偏好，訓練了一個專門的「圖像美學模型」。
每張圖像都被給予一個美學分數，這有助于調節Imagen 2在其訓練數據集中賦予人類偏好的圖像更多的權重。
這樣一來，就提高了Imagen 2生成更高質量圖像的能力。
使用提示「花」的AI生成的圖像，美學分數從低（左）到高（右）
Imagen 2的擴散技術提供了高度的靈活性，使得更容易控制和調整圖像的風格。
通過提供參考風格圖像并結合文本提示，可以訓練Imagen 2生成遵循相同風格的新圖像。
通過使用參考圖像和文本提示，Imagen 2可以更輕松地控制輸出樣式
更強的「修復」和「擴圖」
此外，Imagen 2還支持圖像編輯功能，如「修復」（inpainting）和「擴圖」（outpainting）。
通過提供參考圖像和圖像掩碼，我們可以用inpainting技術直接在原始圖像中生成新內容。
在下面這幅原始圖中，只要輸入「綠色墻上有一個架子，架子上放著幾本書和花瓶」，對應內容就在原圖中生成了！
新內容毫不突兀，完美融入原圖，渾然天成。
另外，我們還可以使用outpainting功能，給原始圖像擴圖。
夕陽下非洲大草原上長頸鹿和斑馬的雙人大頭貼，一下子就擴成了全身照。
全面加持企業級場景，logo文案一鍵生成，中文也支持
現在，谷歌已經Imagen 2下放到開發者平臺Vertex AI。
在Vertex AI平臺上，客戶可以使用直觀的工具來自定義和部署Imagen 2，享受全面管理的基礎設施和內置的隱私與安全保護。
在谷歌DeepMind的技術加持下，Imagen 2在圖像質量上實現了顯著提升，幫助開發者根據特定需求創造圖像，其中包括：
- 根據自然語言的提示生成高質量、逼真、高分辨率且精美的圖像；
- 支持多語言文本渲染，能夠在圖像中準確添加文本內容；
- 可以設計公司或產品的Logo，并將其嵌入到圖像中；
- 提供視覺問題解答功能，可以從圖像中生成標注，或就圖像細節提出的問題給出具有信息性的文本回答。
高質量圖像：借助于改進的圖像和文本理解，以及多種創新的訓練和建模技術，Imagen 2能夠生成精準、高品質且逼真的圖像。
文本渲染支持：可以根據提示內容，精準地渲染出正確的文本。
Imagen 2可以在生成含有特定文字或短語的物體圖像時，確保輸出圖像中包含正確短語。
Logo設計：Imagen 2能為品牌、產品等生成多種創意和逼真的Logo，比如徽章、字母甚至非常抽象的Logo。
標注和問答：利用增強的圖像理解能力，Imagen 2能夠創建詳細的長文標注，并對圖像內元素提出的問題給出詳細答案。
多語言提示：除了英語，Imagen 2還支持其他6種語言（中文、印地語、日語、韓語、葡萄牙語、西班牙語），并計劃在2024年初增加更多語言。這項功能還包括提示與輸出之間的翻譯能力，比如，可以用西班牙語提示，但指定輸出為葡萄牙語。
圖像加水印，生成更安全
為了幫助降低文本到圖像生成技術的潛在風險和挑戰，谷歌從設計和開發到產品部署都設置了強大的護欄。
Imagen 2 集成了SynthID——用于加水印和識別 AI 生成內容的尖端工具包。
這樣，Google Cloud平臺的客戶可以直接在圖像中添加數字水印，同時不會降低圖像質量。
不過，即使在對圖像進行過濾、裁剪或使用有損壓縮方案保存后，SynthID仍然可以檢測出。
除此之外，在向所有用戶推出之前，谷歌會進行強大的安全測試，以最大限度地降低傷害風險。
從一開始，谷歌團隊就投入對Imagen 2的數據安全訓練，并添加了技術護欄來限制有問題的輸出，如暴力、冒犯或色情內容。
同時，谷歌還對訓練數據、輸入提示和系統生成的輸出進行安全檢查。比如正在應用全面的安全過濾器，以避免生成名人圖像等有潛在問題的內容。
網友驚呼：真·最強文生圖模型來了！
Google DeepMind研究副總裁兼深度學習主管Oriol Vinyals嘗試用Imagen 2為Gemini生成徽標。
另一位谷歌科學家用Imagen 2生成的圖像如下。
下面是一只網友實測生成的藍貓。
有網友認為，Imagen 2是同類產品中最好的。就像Gemini Ultra一樣，看手和文字就足夠了。
不過，他還吐槽了谷歌不向所有人開放產品的問題。
「像往常一樣，谷歌宣布了一款大多數人無法使用的產品，這有什么意義？！」
