1 基本框架
①：文字变成向量 ②：喂入噪声+文字encoder，产生中间产物 ③：decoder 还原图片2 text encoder
这张图越往右下表示效果越好，可以看到text encoder尺寸越大，对后续生成图片的增益越多
3 评价图片生成好坏的标准
3.1 FID
现有一个训练好的CNN 模型，可以生成真实影像和生成图像的representation 这两组表征的分布越近，效果越好 ——>我们sample 一堆图片，然后生成一组同语义的图片，计算他们分布的distance3.2 CLIP
如果图片和文字是成对的，那么他们的representation越近表示生成的图片效果越好4 decoder
训练一个auoto encoder 训练完把decoder拿出来用即可5 噪声加的位置
之前defusion model 中，noise是加在图片上 但现在产生的东西已经不是图片了 ——>noise 加在中间产物上大体上和diffusion model 类似，这里就是最后多接一个decoder，将中间产物变成图片