Meta 发布“Emu”以提升 AI 图像生成质量

元宇宙愿景背后的科技巨头 Meta AI 宣布在人工智能领域取得突破性进展。他们推出了一个名为 Emu 的新项目，旨在提高 AI 生成图像的质量。Emu 是 AI 创新的一大飞跃，强调了精心策展和人类专业知识在 AI 生成内容中的重要性。

使用 1.1 十亿图像-文本对进行预训练

Emu 的开发核心是一个两阶段过程，始于预训练。在这个初始阶段，扩散模型暴露于一个由 Meta AI 内部资源组成的包含 11 亿个图像-文本对的海量数据集中。这里的关键角色是一个拥有令人印象深刻的 28 亿参数的 U-Net 模型。CLIP ViT-L 和 T5-XXL 等文本编码器也参与其中，以补充这一架构。总体目标是生成分辨率高达 1024×1024 像素的高质量图像。

严格的数据集过滤

在创建 AI 生成内容时，质量控制至关重要。Meta AI 采用多种过滤器来确保数据集的完整性。从超过十亿个样本中仔细剔除了超过 20 万个样本。各种过滤器发挥作用：

美学评估

采用分类器来评估图像的美学。这一步有助于丢弃可能不符合预期视觉标准的图像。

内容过滤

设有机制来丢弃不良内容。这确保了生成的图像不仅视觉上吸引人，而且符合社区准则和道德标准。

文本排除

使用光学字符识别 (OCR) 排除富含文本的图像。这确保了重点仍然放在视觉方面。

分辨率和比例检查

不符合预定分辨率和比例标准的图像会被过滤掉，确保数据集的一致性。

流行度指标

即使是流行度指标，如点赞数，也在过滤中发挥作用，进一步微调数据集。

策展中的人类专业知识

在随后的阶段，人类专业知识成为主角。通才，即熟悉数据标注的个人，审查剩余的 20 万个图像，并选择 2 万个子集。主要目标是识别并移除质量显著较差的图像，为策展增添人性化色彩。这一步至关重要，因为仅靠启发式方法可能无法确保顶级的图像质量。

由摄影专家进行图像选择

对图像质量的追求并未就此停止。一支拥有深厚摄影原理知识的**摄影专家**团队加入其中。他们的使命是什么？筛选并选择体现最高美学质量的图像。他们仔细审查构图、光线、色彩方案、对比度、主题相关性和背景。这种细致的选择过程对于打造符合最高视觉标准的 AI 生成图像至关重要。

制作高质量文本注释

作为最后一步，为这 2,000 个图像-文本对的策展数据集精心制作高质量的文本注释。这些注释为生成的图像提供上下文和意义，增强其实用性和吸引力。

训练模型

有了精炼的数据集，Emu 模型开始了训练阶段。它完成了 15,000 个步骤，批量大小为 64。值得注意的是，与其他大型生成模型相比，这个批量大小相对较小。虽然模型可能会根据验证损失出现过拟合，但**人类评估**描绘了不同的画面。这种现象与语言模型中的观察结果相似，其中指标并不总能完全反映模型性能的全貌。

AI生成图像的艺术与科学

Emu 的多阶段过程代表了 AI 生成内容的一个重要里程碑。Meta AI 的方法不仅寻求改善其服务的实际应用，还强调了精心策展和人类专业知识在完善 AI 生成内容中的关键作用。随着 AI 继续重塑行业以及我们与技术的互动方式，Emu 证明了在追求更高质量 AI 生成图像的旅程中，艺术与科学的结合。

在一个视觉媒介拥有巨大影响力的世界里，Emu 有望提升 AI 生成图像的标准，为元宇宙及更广泛的沉浸式和引人入胜的数字体验铺平道路。有关这一突破性进展的更多详情，请浏览完整文章，深入了解 AI 图像生成的未来。