1、目的

        综合所有的text prompts来生成photorealistic images

2、方法

        Guided Language to Image Diffusion for Generation and Editing (GLIDE)

        1）模型

                -> 3.5B参数text-conditional diffusion model，64 x 64 resolution

                -> 1.5B参数text-conditional upsampling diffusion model，256 x 256 resolution

                -> noised 64 x 64 ViT-L CLIP model

        2）text condition

                -> Classifier-free guidance

                        将text编码为K tokens送入Transformer模型：作为class embedding；token embeddings的最后一层K个feature vectors映射后并联到扩散模型的每个attention层

                        优于CLIP guidance

                -> CLIP Guidance

                        将classifier guidance中的梯度替换为image和caption的encoding的点积对图像的导数，即 

                        需要在noised图像上训练CLIP，得到noised CLIP models

        3）对模型进行fine-tune，来执行image inpainting

                -> 增加4个通道：随机擦除图像区域后的RGB通道 + mask

                -> 新通道参数初始化为0

                -> 对于upsampling模型，gt仅包括高分辨率unmasked region

                -> 可以让使用者迭代生成结果，直到和复杂的prompts匹配