文生图模型进化简史和生成能力比较——艺术肖像篇

西乔2023年09月08日约 9 分钟

很久没有更新文章，最近真的太忙啦，在T2I领域，学习速度真的赶不上进化速度！每天都有无数新模型、新插件、新玩法涌现。玩得太上瘾啦。

上月初我去参加我硕士专业的夏季烧烤大趴，跟我的论文导师重逢（好多年没见啦）。他今年也赶风头开课讲授 Generative AI 与商业创新的结合。不过他的课主要讲的是LLM，听说我在玩T2I，就邀请我回母校的商学院做了个分享。我为那次分享做了个简单时间线，罗列了我认为文生图领域至关重要的里程碑（基于扩散模型）。

时间轴的上排是闭源相关，下排是开源相关这个领域的一切都始于 CLIP 开源，CLIP 是一个通过自然语言监督有效地学习视觉概念的神经网络。通过使用 CLIP 可将文本和图像连接在一起。 CLIP 的全称是 Contrastive Language–Image Pre-training，也就是文本和图像对照的预训练模型，数据集使用的是 LAION-400M，包含 4 亿组从互联网上收集的文本-图像对。文本编码器提取文本特征，图像编码器提取图像特征，两个放到一起对比相似度，从而让 AI “掌握” 文本-图像的匹配关系。 21 年 1 月 CLIP 发布后（与 CLIP 一起发布的还有 DALL·E 第一代文生图模型，生成能力有限），基于它的各种文生图模型相继出现，Disco Diffusion 也是在这个时候诞生，此时它们的生成效果都并不理想，但社区对未来充满了憧憬。 21 年 12 月，OpenAI 发布了 Glide ，即 Guided Language-to-Image Diffusion，它是 DALLE 2 的基础。同一个月，慕尼黑大学 Compvis 实验室发布了 Latent Diffusion 的论文 High-Resolution Image Synthesis with Latent Diffusion Models，它是生成能力实现重大突破基础。基于 Glide 的论文和各种探索， T2I 开源社区开启了 Disco Diffusion 项目，22 年 3 月 Disco Diffusion v5 发布，这是图像生成模型第一次出圈引爆，吹响了打开 AI 艺术大门的号角，魔法由此开始释放。同一个月， Midjourney 通过包装使用 Disco Diffusion，进行了商业应用。 22 年 4 月，OpenAI 发布了 DALL·E 2 。它的生成能力有了较大提升，但光芒很快就会被掩盖。为了与 OpenAI 竞争， G oogle 在 22 年 5 月和 6 月发布了 Imagen 和 Parti 的论文，但一直没有公开发布过产品，极少有人真正体验过这两个 SOTA 模型，Google 保持着其在ML研究领域高调发paper但绝不ship任何产品的姿态，在T2I领域同样也起大早赶晚集，最后甚至压根就没现身。真正的转折点来了，22 年 8 月发布的 Stable Diffusion 1.5 ，由 Stability AI 与慕尼黑大学 Compvis 实验室合作训练完成。它的光芒很快盖过了其他模型，加之后来的 LoRA 和 ControlNet 如虎添翼，构建了庞大的 SD 生态。同月，谷歌发布了 Dreambooth 的论文 DreamBooth: Fine Tuning Text-to-Image Diffusion Models for Subject-Driven Generation。对自家的T2I 预训模型（也就是前文提到的Imagen，当然这个技术也可以应用于其它扩散模型）进行微调，使其学会将某 identifier 与该特定主题绑定。只要输入少量该主题的图片用于训练（通常3-5张），就可让模型能用该 identifier 生成该主题的在不同背景下演绎的个性化图像。比如把"xiqiao_meowmeow"与一些我的脸图绑定后训练，就能用 xiqiao_meowmeow 生成出我在画漫画的结果，即使训练素材里只包含了我的脸。 22 年 11 月 Midjourney v4 发布，它的生成能力和艺术感惊人，使其一举奠定了MJ 作为商业闭源模型无法撼动的王者地位。 23 年1 月， LoRA 诞生，"它并不改变原模型的权重，而是在线性层旁边新增一个下采样-上采样的支路，通过训练这个支路来完成微调。因此，同一个基底 SD 模型可以搭载不同的 LoRA 使用，具有很高的灵活性。由于 LoRA 支路网络的参数量小，相比微调整个模型，对算力的需求更加友好，并且也能达到不错的效果，因此很快受到大家的热烈欢迎，成为了目前最流行的微调 SD 的方法之一。"
https://zhuanlan.zhihu.com/p/640144661 2 月，这个领域的天才人物张吕敏发布 ControlNet 。它的出现代表着 T2I 生成开始真正变得可控，能够成为真正的生产力工具。ControlNet 比之前 img2img 提供了更丰富更准确的控制方式，可以直接提取 input 画面的边缘、深度、语义分隔、深度信息，以及人物的姿势等。精确控制AI 生成完美的手势和正确的手指再也不是问题。 3 月 Adobe 发布了 Firefly ，将生成式 AI 集成到自己的产品 Photoshop Beta 以及面向普通人的 Express 中，正式加入这张大战。Adobe 在自家拳头产品里的深度集成（碾压了所有第三方插件）以及我烧得起钱你随便用的战略，使其在AI图像的生成量极快的上升，远超 DALLE2。虽然上场晚，但稳坐第三把交椅。 7 月，Stability 开源了 SDXL1.0 ，Stability.AI 最新一代旗舰模型。当之无愧的最强开源文生图模型。高参数，高分辨率，极强的 prompt 理解力，极强的写真照片类图像生成能力，当然推理和训练成本也大大提高，将会重塑 T2I开源社区的格局。
回顾文生图扩散模型的发展史，才两年多时间就走到了今天，成为一项一种每天被数百万人使用的技术，在许多领域塑造着未来。
SDXL1.0 发布后，我花了两周的时间，开足马力，电力拉满，将两个新模型 MJv5.2 和 SDXL1.0 的艺术家风格图跑出来，添加到 AIGC 艺术样式库 lib.KALOS.art 中。目前文生图基础模型中，谁的生成能力更强，艺术感更好呢？我们以几位代表性艺术家的 Fine-art 类肖像画来做一个比较，看看这一年来，SD和MJ这两家文生图模型的进化： Vincent van Gogh ，风格识别度极高，无人不知的传奇艺术家

SD1.5 https://lib.kalos.art/artist/aa142cf4-c57a-4985-93ab-b53f803a6bc3?model=2

SDXL1.0 https://lib.kalos.art/artist/aa142cf4-c57a-4985-93ab-b53f803a6bc3?model=5

MJv4 https://lib.kalos.art/artist/aa142cf4-c57a-4985-93ab-b53f803a6bc3?model=1

MJv5.2 https://lib.kalos.art/artist/aa142cf4-c57a-4985-93ab-b53f803a6bc3?model=4

Edmund Dulac ，以精细而飘逸画风为特色的书籍、杂志插画家，著名的纸币、邮票设计师

SD1.5 https://lib.kalos.art/artist/a36e9799-fa7c-40b4-855f-9ea160f699a6?model=2

SDXL1.0 https://lib.kalos.art/artist/a36e9799-fa7c-40b4-855f-9ea160f699a6?model=5

MJv4 https://lib.kalos.art/artist/a36e9799-fa7c-40b4-855f-9ea160f699a6?model=1

MJv5.2 https://lib.kalos.art/artist/a36e9799-fa7c-40b4-855f-9ea160f699a6?model=4

Amedeo Modigliani ，以优美弧形曲线和修长脖颈为特色的意大利肖像画家

‍ SD1.5 https://lib.kalos.art/artist/0900ebd2-6ce1-4e2b-ba91-bc7f6f84cdbd?model=2

SDXL1.0 https://lib.kalos.art/artist/0900ebd2-6ce1-4e2b-ba91-bc7f6f84cdbd?model=5

MJv4 https://lib.kalos.art/artist/0900ebd2-6ce1-4e2b-ba91-bc7f6f84cdbd?model=1

MJv5.2 https://lib.kalos.art/artist/0900ebd2-6ce1-4e2b-ba91-bc7f6f84cdbd?model=4

Sandro Botticelli ，文艺复兴早期画风优雅飘逸的意大利画家，《维纳斯的诞生》和《春意盎然》

‍ SD1.5 https://lib.kalos.art/artist/750d588d-de84-455d-b845-4f44b30cf931?model=2

SDXL1.0 https://lib.kalos.art/artist/750d588d-de84-455d-b845-4f44b30cf931?model=5

MJv4 https://lib.kalos.art/artist/750d588d-de84-455d-b845-4f44b30cf931?model=1

MJv5.2 https://lib.kalos.art/artist/750d588d-de84-455d-b845-4f44b30cf931?model=4

Aubrey Beardsley ，唯美主义和颓废主义的先驱，无可匹敌的黑白装饰风格艺术家

SD1.5 https://lib.kalos.art/artist/44f5df6c-0bcd-41f1-9547-3ab3775cbf65?model=2

SDXL1.0 https://lib.kalos.art/artist/44f5df6c-0bcd-41f1-9547-3ab3775cbf65?model=5

MJv4 https://lib.kalos.art/artist/44f5df6c-0bcd-41f1-9547-3ab3775cbf65?model=1

MJv5.2 https://lib.kalos.art/artist/44f5df6c-0bcd-41f1-9547-3ab3775cbf65?model=4

Cecily Brown ，突破具象绘画边界，探索性和欲望，充满活力和富有表现力的抽象画大师

‍ SD1.5 https://lib.kalos.art/artist/fa758d06-5875-444f-b0a0-a9e6f9ca88f8?model=2

SDXL1.0 https://lib.kalos.art/artist/fa758d06-5875-444f-b0a0-a9e6f9ca88f8?model=5

MJv4 https://lib.kalos.art/artist/fa758d06-5875-444f-b0a0-a9e6f9ca88f8?model=1

MJv5.2 https://lib.kalos.art/artist/fa758d06-5875-444f-b0a0-a9e6f9ca88f8?model=4

Jean Metzinger ，立体主义画派奠基人之一，碎片化、几何和多重视角

SD1.5 https://lib.kalos.art/artist/31dbd5f2-0884-4af7-8dc0-8041695645c9?model=2

SDXL1.0 https://lib.kalos.art/artist/31dbd5f2-0884-4af7-8dc0-8041695645c9?model=5

MJv4 https://lib.kalos.art/artist/31dbd5f2-0884-4af7-8dc0-8041695645c9?model=1

MJv5.2 https://lib.kalos.art/artist/31dbd5f2-0884-4af7-8dc0-8041695645c9?model=4

Max Beckmann ，大胆的表现主义大师，捕捉人物心理，描绘人类的处境，探索苦难、孤立和现代生活的复杂性

‍ SD1.5 https://lib.kalos.art/artist/596ccd0c-8223-4c8f-b72f-b4f627fa04ed?model=2

SDXL1.0 https://lib.kalos.art/artist/596ccd0c-8223-4c8f-b72f-b4f627fa04ed?model=5

MJv4 https://lib.kalos.art/artist/596ccd0c-8223-4c8f-b72f-b4f627fa04ed?model=1

MJv5.2 https://lib.kalos.art/artist/596ccd0c-8223-4c8f-b72f-b4f627fa04ed?model=4

Egon Schiele ，以扭曲但极富表现力的人物形象闻名，早期表现主义大师

SD1.5 https://lib.kalos.art/artist/fdf40250-9ba5-4b2d-bd12-8c58bd7ba556?model=2

SDXL1.0 https://lib.kalos.art/artist/fdf40250-9ba5-4b2d-bd12-8c58bd7ba556?model=5

MJv4 https://lib.kalos.art/artist/fdf40250-9ba5-4b2d-bd12-8c58bd7ba556?model=1

MJv5.2 https://lib.kalos.art/artist/fdf40250-9ba5-4b2d-bd12-8c58bd7ba556?model=4

Coby Whitmore ，捕捉 20 世纪中期华丽、时尚社会生活本质的优雅女性肖像画

SD1.5 https://lib.kalos.art/artist/fdf40250-9ba5-4b2d-bd12-8c58bd7ba556?model=2

SDXL1.0 https://lib.kalos.art/artist/fdf40250-9ba5-4b2d-bd12-8c58bd7ba556?model=5

MJv4 https://lib.kalos.art/artist/fdf40250-9ba5-4b2d-bd12-8c58bd7ba556?model=1

MJv5.2 https://lib.kalos.art/artist/fdf40250-9ba5-4b2d-bd12-8c58bd7ba556?model=4

AIGC 艺术的进化之快超出所有人的想象， SD1.5 生成能力和美感虽然不如 SDXL1.0 和 MJv4 & 5.2，但它需要的资源少，社区基于它 fine-tune 出了许多非常优秀的大小模型，再配合 controlNet，LoRA 和一些插件，它的综合表现、开放性、多样性在某些应用场景下甚至比新一代高参数的 SDXL 和 MJ v4 & 5.2 要好。 SDXL1.0 则出道即巅峰，社区正在积极拥抱它，相信社区各路大佬，定会玩出各种神器。 MJv4 和 MJv5.2 易用程度和美感一如既往的好，从未失去其艺术性王者的地位，虽然可控性上比较弱。想要看看更多艺术家风格在不同模型里的呈现，来我的 L ib.KALOS.art 看看吧，目前全球最大的文生图艺术风格参考库：

1300+ 艺术家共五 万余张 4v1 样式图片
覆盖五代 最主流的文生图基础模型
用每个艺术家样式生成了 8~11 种常见主题 供参考，如人像、风景、科幻、街景、动物、花卉等

现有常见 AIGC 样式库，每个艺术家都只有几张 “artwork by artistname” 的结果图片。但我认为艺术家样式需要跟不同主题结合后才能更全面地体现他/她在模型里的识别度和表现力。所以我们为每个艺术家生成了 8~11 个主题，按固定布局在独立页面里呈现。很适合用于艺术家和模型之间的横向比较。