谷歌文生图巅峰之作Imagen 2登场，实测暴打DALL·E 3和Midjourney！

【新智元导读】卷疯了卷疯了，谷歌刚刚放出了文生图AI模型的巅峰之作Imagen2，实测效果逼真细腻，生成的美女图仿佛真人照片，对于提示的还原程度已经打败了DALL·E3和Midjourney!最强文生图大模型这是要易主了?

提问:下面这张图，是AI生图还是照片?

如果不是这么问，绝大多数人大概都不会想到，这居然不是一张照片。

是的，只要在谷歌最新AI生图神器Imagen2中输入这样的提示词——

A shot of a32-year-old female， up and coming conservationist in a jungle; athleticwith short， curly hair and a warm smile

一位32岁的年轻女性自然保护主义者，正在丛林中探险。她体格健壮，一头短卷发，面带亲切的微笑

就能得到开头那张无比逼真写实、比照片还像照片的图像了!

虽然圣诞节已经临近，但谷歌还在卷个不停——号称DALL·E3最强竞品的文生图模型Imagen2，终于重磅上线了。

刚用Gemini和OpenAI卷完GPT-4，立马又放出Imagen2来卷DALL·E3了，2023年底的「卷王」称号，谷歌是实至名归。

不仅手指逼真，而且拿筷子的姿势也很标准

可以说，Imagen2是目前文本转图像技术的巅峰之作，已经突破了AI生图的界限。

在机器学习算法强大功能的加持下，Imagen2可以将文本描述转换为生动清晰的高分辨率图像。

Imagen2最与众不同之处在于，它能够以惊人的准确性，理解复杂抽象的概念，然后把这个概念可视化，细腻之程度令人惊叹!

Imagen2的核心，还是复杂的神经网络架构。经过微调的Transformer模型，在文本理解和图像合成上，都表现出了无与伦比的性能。

现在，在文生图领域，谷歌又竖立了新的标杆。

用自然语言就能生图的模型，又多了一个

现在，除了DALL·E3之外，我们又有了一个仅凭自然语言就能生图的模型!

相比之下，Midjourney必须用复杂、专业的提示词，在易使用性上已经被两位竞争者甩出了很远。

仅凭简单文本，就能生存多样化的复杂图像，这类AI生图模型对于内容创作的影响是极其深远的。

对于依赖视觉内容的行业来说，这彻底改变了游戏规则，大大减少了传统内容制作所需的时间，内容创作者可以以前所未有的速度，制作高质量的视觉效果。

同时，Imagen2还具有无可比拟的图像质量和多功能性。

Imagen2用到了谷歌最先进的文本到图像扩散技术，生图质量极高、效果逼真，而且和用户的提示具有高度的一致性。

原因在于，它是使用训练数据的自然分布来生成更逼真的图像，而非采用预先编程的样式。

可以看到，Imagen2的图像生成能力非常惊人。

无论是渲染错综复杂的风景、详细的物体，还是奇幻的场景，生成的图像都具有如此高的保真度，以至于它们可以与人类艺术家创作的图像相媲美，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

一小幅油画，描绘了摆放在砧板上的橙子。阳光穿过橙子的切片，柔和的橙色光线洒在砧板上。画的背景是一块蓝白相间的布，画面巧妙地捕捉了光的折射、反射效果，同时展示了画家富有感情的笔触

有网友表示，看到Imagen的这张橙子图，真是让我大吃一惊。灯光穿过橙子后的投影，和提示中描述的意境非常吻合!

有人用同样的提示，让DALL·E3生成了同样的橙子油画图，效果比起Imagen3来说，的确弱了不少。

类似的，Midjourney生成的橙子，在真实感和意境层面，也要差上一截。

诗中意境，一键逼真还原

以往的「文本到图像」模型，通常是根据训练数据集的图像和标题中的详细信息，来生成与用户提示匹配的图像的。

但是它们有一个bug:对于每张图像和配对的标题，在细节质量和准确性上可能会有很大差异。

为了帮助创建更高质量和更准确的图像、更好地符合用户的提示，Imagen2的训练数据集中添加了更多描述，帮助Imagen2学习不同的标题风格，并更好地理解广泛的用户提示。

这种图像标题配对，就有助于Imagen2更好地理解图像和文字之间的关系，大大提高了它对上下文和细微差别的理解。

就比如，美国作家Phillis Wheatley《晚间赞美诗》中的一句话「溪流潺潺，鸟儿啁啾，空中飘荡着它们混合的音乐」。

诗中绝美的意境，Imagen2把要点全抓住了。

"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似乎对于文学描述的内容把握还是欠缺一些，大概率会在图中自动添加一个人物。不过整体画面效果还是不错的。

而到了DALL·E3这里，它居然在图像上加了几行字，生成了一张「贺卡」?

在著名的小说《白鲸记》中，Herman Melville曾写下「想象一下大海的微妙之处，最可怕的地方在于生物如何在水下滑行，却在大多数情况下不易察觉，并且诡谲地隐藏在最可爱的蔚蓝色调下」。

Imagen2也是很懂「海洋文学」的特点。

"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·E3一到深海，就瞬间就克苏鲁了起来……

Midjourney

DALL·E3

儿童文学大家Frances Hodgson Burnett所著的《秘密花园》中，对知更鸟有这样一句描述:

知更鸟从缠绕的常春藤上飞到墙头，张开嘴巴，唱出了一个响亮而甜美的颤音，只是为了炫耀自己。世界上就没有什么东西能比它更惹人喜爱了——它们几乎总是这样做。

快看，Imagen2生成的这幅画，把常春藤、墙头、唱歌等暗藏的细节，悉数呈现了出来。

"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）

同样的提示词，Midjourney在真实感上还要差上几分。

而DALL·E3相比上面两家，就更逊色了，尤其在植物和羽毛的细节上。

风格复刻，随意变换，更懂人类美学

一直以来，图像生成饱受诟病的问题之一，便是人物的手指生成。

这次，Imagen2的数据集和模型进步，在许多领域取得了改进。

其中就包括渲染逼真的手部和人脸，以及保持图像不受干扰的视觉伪影。

同时，谷歌DeepMind根据人类对光线、取景、曝光、清晰度等特质的偏好，训练了一个专门的「图像美学模型」。

每张图像都被给予一个美学分数，这有助于调节Imagen2在其训练数据集中赋予人类偏好的图像更多的权重。

这样一来，就提高了Imagen2生成更高质量图像的能力。

使用提示「花」的AI生成的图像，美学分数从低（左）到高(右)

Imagen2的扩散技术提供了高度的灵活性，使得更容易控制和调整图像的风格。

通过提供参考风格图像并结合文本提示，可以训练Imagen2生成遵循相同风格的新图像。

通过使用参考图像和文本提示，Imagen2可以更轻松地控制输出样式

更强的「修复」和「扩图」

此外，Imagen2还支持图像编辑功能，如「修复」（inpainting）和「扩图」(outpainting)。

通过提供参考图像和图像掩码，我们可以用inpainting技术直接在原始图像中生成新内容。

在下面这幅原始图中，只要输入「绿色墙上有一个架子，架子上放着几本书和花瓶」，对应内容就在原图中生成了!

新内容毫不突兀，完美融入原图，浑然天成。

另外，我们还可以使用outpainting功能，给原始图像扩图。

夕阳下非洲大草原上长颈鹿和斑马的双人大头贴，一下子就扩成了全身照。

全面加持企业级场景，logo文案一键生成，中文也支持

现在，谷歌已经Imagen2下放到开发者平台Vertex AI。

在Vertex AI平台上，客户可以使用直观的工具来自定义和部署Imagen2，享受全面管理的基础设施和内置的隐私与安全保护。

在谷歌DeepMind的技术加持下，Imagen2在图像质量上实现了显著提升，帮助开发者根据特定需求创造图像，其中包括:

- 根据自然语言的提示生成高质量、逼真、高分辨率且精美的图像;

- 支持多语言文本渲染，能够在图像中准确添加文本内容;

- 可以设计公司或产品的Logo，并将其嵌入到图像中;

- 提供视觉问题解答功能，可以从图像中生成标注，或就图像细节提出的问题给出具有信息性的文本回答。

高质量图像:借助于改进的图像和文本理解，以及多种创新的训练和建模技术，Imagen2能够生成精准、高品质且逼真的图像。

文本渲染支持:可以根据提示内容，精准地渲染出正确的文本。

Imagen2可以在生成含有特定文字或短语的物体图像时，确保输出图像中包含正确短语。

Logo设计:Imagen2能为品牌、产品等生成多种创意和逼真的Logo，比如徽章、字母甚至非常抽象的Logo。

标注和问答:利用增强的图像理解能力，Imagen2能够创建详细的长文标注，并对图像内元素提出的问题给出详细答案。

多语言提示:除了英语，Imagen2还支持其他6种语言（中文、印地语、日语、韩语、葡萄牙语、西班牙语），并计划在2024年初增加更多语言。这项功能还包括提示与输出之间的翻译能力，比如，可以用西班牙语提示，但指定输出为葡萄牙语。

图像加水印，生成更安全

为了帮助降低文本到图像生成技术的潜在风险和挑战，谷歌从设计和开发到产品部署都设置了强大的护栏。

Imagen2集成了SynthID——用于加水印和识别 AI 生成内容的尖端工具包。

这样，Google Cloud平台的客户可以直接在图像中添加数字水印，同时不会降低图像质量。

不过，即使在对图像进行过滤、裁剪或使用有损压缩方案保存后，SynthID仍然可以检测出。

除此之外，在向所有用户推出之前，谷歌会进行强大的安全测试，以最大限度地降低伤害风险。

从一开始，谷歌团队就投入对Imagen2的数据安全训练，并添加了技术护栏来限制有问题的输出，如暴力、冒犯或色情内容。

同时，谷歌还对训练数据、输入提示和系统生成的输出进行安全检查。比如正在应用全面的安全过滤器，以避免生成名人图像等有潜在问题的内容。

网友惊呼:真·最强文生图模型来了!

Google DeepMind研究副总裁兼深度学习主管Oriol Vinyals尝试用Imagen2为Gemini生成徽标。

另一位谷歌科学家用Imagen2生成的图像如下。

下面是一只网友实测生成的蓝猫。

有网友认为，Imagen2是同类产品中最好的。就像Gemini Ultra一样，看手和文字就足够了。

不过，他还吐槽了谷歌不向所有人开放产品的问题。

「像往常一样，谷歌宣布了一款大多数人无法使用的产品，这有什么意义?!」

参考资料:

https://deepmind.google/technologies/imagen-2/

https://cloud.google.com/blog/products/ai-machine-learning/imagen-2-on-vertex-ai-is-now-generally-available