摘要

我们提出Pathways自回归文本到图像生成模型（Parti），该模型能够生成高保真度的逼真图像，并支持包含复杂构图与世界知识的丰富内容合成。Parti将文本到图像生成任务建模为序列到序列的学习问题，类似于机器翻译，但其目标输出为图像标记序列，而非另一种语言的文本标记序列。这一策略可自然地利用大规模语言模型领域中已有的丰富研究成果，而这些模型通过持续扩大数据规模与模型参数量，不断提升其能力与性能。我们的方法简洁明了：首先，Parti采用基于Transformer的图像分词器ViT-VQGAN，将图像编码为离散标记序列；其次，通过将编码器-解码器Transformer模型扩展至200亿参数规模，实现了稳定的质量提升，在MS-COCO数据集上达到了7.23的零样本FID得分与3.22的微调后FID得分，创下当前最优水平。通过对“局部叙事”（Localized Narratives）数据集以及PartiPrompts（P2）——一个包含超过1600个英文提示的综合性新基准——的深入分析，我们验证了Parti在多种类别与不同难度任务中的卓越表现。同时，我们也系统探讨并指出了当前模型存在的局限性，以明确未来改进的关键方向。更多高分辨率生成图像请访问：https://parti.research.google/