圖像生成模型終學(xué)會(huì)了拼寫單詞秘訣竟是字符特？過去的一年里隨著 DALL-E 2，Stable Diffusion 等圖像生成模型的發(fā)布text-to-image 模型生成的圖像在分率、質(zhì)量、文本實(shí)度等方面都得了飛躍性提升，大促進(jìn)了下游應(yīng)場(chǎng)景的開發(fā)，人都成了 AI 畫家。但相關(guān)研究明，目前的生成型技術(shù)仍然存在個(gè)重大缺陷：無在圖像中呈現(xiàn)出靠的視覺文本。研究結(jié)果表明，DALL-E 2 在圖片中生成連文本字符上非常穩(wěn)定，而最新發(fā)的 Stable Diffusion 模型則是直接將「無法呈現(xiàn)讀的文本」列為知的限制。字符寫錯(cuò)誤：(1) California: All Dreams Welcome, (2) Canada: For Glowing Hearts, (3) Colorado: It’s Our Nature, (4) St. Louis: All Within Reach.最近 Google Research 發(fā)布了一篇新論文，試圖了解提高圖像生成模渲染高質(zhì)量視覺本的能力。論文接：https://arxiv.org/ abs / 2212.10562研究人員認(rèn)為當(dāng)下的 text-to-image 生成模型模型存在文本染缺陷的主要原是缺乏字符級(jí)的入特征。為了量該輸入特征在模生成中的影響，章中設(shè)計(jì)了一系控制實(shí)驗(yàn)對(duì)是否含文本輸入特征文本編碼器（character-aware 和 character-blind）進(jìn)行對(duì)比。研究員發(fā)現(xiàn)，在純文領(lǐng)域，character-aware 模型在一個(gè)新的拼寫任務(wù)（WikiSpell）上獲得了很大性能收益。將該驗(yàn)遷移到視覺領(lǐng)后，研究人員訓(xùn)了一套圖像生成型。實(shí)驗(yàn)結(jié)果表 character-aware 模型在一系列新的文本渲染任務(wù)DrawText 基準(zhǔn)）中比 character-blind 更勝一籌。并且 character-aware 模型在視覺拼寫方達(dá)到了更高的技水平，盡管訓(xùn)練樣例數(shù)量少得多其在不常見的單上的準(zhǔn)確率仍然競(jìng)爭(zhēng)模型高出 30 多個(gè)百分點(diǎn)。Character-Aware 模型語言模型可為直接訪問構(gòu)成文本輸入字符的 character-aware 模型和無法訪問 character-blind 模型。許多早期的神經(jīng)語言模型接在字符上進(jìn)行作，而不使用多符的 token 作為標(biāo)記。后來的模型逐漸轉(zhuǎn)向于詞匯表的 tokenization，其中一些模型如 ELMo 仍然保留了 character-aware，但其他模型如 BERT 則放棄了字符特征以支持更有的預(yù)訓(xùn)練。目前大多數(shù)廣泛使用語言模型是 character-blind 的，依靠數(shù)據(jù)驅(qū)動(dòng)的詞（subword）分割算法，如字節(jié)對(duì)編碼（BPE）來生成子詞 pieces 作為詞匯表。雖然些方法對(duì)于不常的序列可以退回字符級(jí)表示，但們?cè)谠O(shè)計(jì)上仍然將常見的字符序壓縮成不可分割單元。這篇論文主要目的是試圖解并提高圖像生模型渲染高質(zhì)量覺文本的能力。此，研究人員首孤立地研究了當(dāng)文本編碼器的拼能力，從實(shí)驗(yàn)結(jié)可以發(fā)現(xiàn)，盡管 character-blind 文本編碼器很受迎，但它們沒有到關(guān)于其輸入的符級(jí)構(gòu)成的直接號(hào)，導(dǎo)致其拼寫力有限。研究人還測(cè)試了不同規(guī)、架構(gòu)、輸入表、語言和調(diào)整方的文本編碼器的寫能力。這篇論首次記錄了 character-blind 模型通過網(wǎng)絡(luò)預(yù)訓(xùn)練導(dǎo)出強(qiáng)大的拼寫識(shí)（準(zhǔn)確率 > 99%）的神奇能力，但實(shí)驗(yàn)結(jié)果明這項(xiàng)能力在英之外的語言中并有得到很好的泛，而且只有在超 100B 參數(shù)的規(guī)模下才能實(shí)，所以對(duì)于大多應(yīng)用場(chǎng)景是不可的。另一方面，character-aware 的文本編碼器能夠更小的尺度上實(shí)強(qiáng)大的拼寫能力在將這些發(fā)現(xiàn)應(yīng)于圖像生成場(chǎng)景，研究人員訓(xùn)練一系列 character-aware 的文本到圖像的模型，并明它們?cè)诂F(xiàn)有的新的文本渲染的估中明顯優(yōu)于字盲目的模型。但于純字符級(jí)模型說，雖然文本渲的性能提升了，對(duì)于不涉及視覺本的 prompt，圖像-文本對(duì)齊度則會(huì)下降。了緩解這一問題研究人員建議將符級(jí)和 token 級(jí)的輸入表征結(jié)合起來，從而以實(shí)現(xiàn)最佳的性。WikiSpell 基準(zhǔn)由于文本到圖像的生成型依賴于文本編器來產(chǎn)生用于解的表征，研究人首先從 Wiktionary 中采樣一些單詞創(chuàng)了 WikiSpell 基準(zhǔn)，然后基于此數(shù)據(jù)集一個(gè)純文本的拼評(píng)估任務(wù)來探索本編碼器的能力對(duì)于 WikiSpell 中的每個(gè)樣例，模型的入是一個(gè)單詞，期的輸出是它的體拼寫（通過在個(gè) Unicode 字符之間插入空格來生成）。于該文章僅對(duì)研一個(gè)詞的頻率和型的拼寫能力之的關(guān)系感興趣，以研究人員根據(jù)詞在 mC4 語料庫中出現(xiàn)的頻，將 Wiktionary 中的詞分成五個(gè)互不疊的桶：最頻繁前 1% 的詞，最頻繁的 1-10% 的詞，10-20% 的詞，20-30% 的詞，以及最低的 50% 的詞（包括在語料庫中從出現(xiàn)過的詞）。后從每個(gè)桶中均地抽取 1000 個(gè)詞來創(chuàng)建一個(gè)測(cè)試集（以及一類似的開發(fā)集）最后通過結(jié)合兩分建立了一個(gè)由 10,000 個(gè)詞組成的訓(xùn)練集5,000 個(gè)從最底層的 50% 桶（最不常見的詞）中統(tǒng)一取樣另外 5,000 個(gè)根據(jù)它們?cè)?mC4 中的頻率按比例取樣（從使這一半的訓(xùn)練偏向頻繁的詞）研究人員將任何選入開發(fā)集或測(cè)集的詞排除在訓(xùn)集之外，因此評(píng)結(jié)果總是針對(duì)被除的詞。除了英外，研究人員還其他六種語言（拉伯語、漢語、蘭語、韓語、俄、泰語）進(jìn)行評(píng)，選擇這些語言為了涵蓋影響模學(xué)習(xí)拼寫能力的種特性，對(duì)每一語言的評(píng)估都重上述數(shù)據(jù)集構(gòu)建程。文本生成實(shí)研究人員使用 WikiSpell 基準(zhǔn)來評(píng)估多種預(yù)訓(xùn)練的純文本型在不同規(guī)模上表現(xiàn)，包括 T5（一個(gè)在英語數(shù)上預(yù)訓(xùn)練的 character-blind 編碼解碼器模型）；mT5（與 T5 類似，但在超過 100 種語言上預(yù)訓(xùn)練）；ByT5（mT5 的 character-aware 版本，直接在 UTF-8 字節(jié)序列上操作）；以 PaLM（一個(gè)規(guī)模更大的解碼型，主要是在英上預(yù)訓(xùn)練的）。?純英語和多語言實(shí)驗(yàn)結(jié)果中，可發(fā)現(xiàn) character-blind 模型 T5 和 mT5 在包含 Top-1% 最頻繁詞匯的桶上的表現(xiàn)要差多。這個(gè)結(jié)果似是反直覺的，因模型通常在數(shù)據(jù)頻繁出現(xiàn)的例子表現(xiàn)最好，但是于 subword 詞匯的訓(xùn)練方式，頻繁出現(xiàn)的通常被表示為一單一的原子標(biāo)記或少量的標(biāo)記）事實(shí)上也是如此在英語前 1% 的桶中，87% 的詞被 T5 的詞匯表示為一個(gè)詞標(biāo)記。因此，低的拼寫準(zhǔn)確性數(shù)表明，T5 的編碼器沒有保留夠的關(guān)于其詞匯 subword 的拼寫信息。其次，對(duì)于 character-blind 模型，規(guī)模是影響拼寫力的一個(gè)重要因。T5 和 mT5 都隨著規(guī)模的增加而逐漸變好但即使在 XXL 規(guī)模下，這些模型也沒有表現(xiàn)出別強(qiáng)的拼寫能力只有當(dāng) character-blind 模型達(dá)到 PaLM 的規(guī)模時(shí)，才開始看近乎完美的拼寫力：540B 參數(shù)的 PaLM 模型在英語的所頻率桶中都達(dá)到 > 99% 的準(zhǔn)確率，盡管它提示中只看到 20 個(gè)例子（而 T5 顯示的是 1000 個(gè)微調(diào)例子）。然而，PaLM 在其他語言上的表現(xiàn)較差可能是由于這些言的預(yù)訓(xùn)練數(shù)據(jù)得多。對(duì) ByT5 的實(shí)驗(yàn)表明，character-aware 模型表現(xiàn)出更強(qiáng)的拼寫能力。ByT5 在 Base 和 Large 尺寸下的表現(xiàn)僅略微落后于 XL 和 XXL（盡管仍然至少在 90% 的范圍內(nèi)），而且一個(gè)詞頻率似乎對(duì) ByT5 的拼寫能力沒有太大影響。ByT5 的拼寫性能遠(yuǎn)遠(yuǎn)超過了 (m) T5 的結(jié)果，甚至與參數(shù)于 100 倍的 PaLM 的英語表現(xiàn)相當(dāng)，并超過了 PaLM 在其他語言上的表現(xiàn)。從而可知 ByT5 編碼器保留了相當(dāng)多的符級(jí)信息，而且些信息可以根據(jù)碼任務(wù)的需要從些凍結(jié)的參數(shù)中索出來。DrawText 基準(zhǔn)從 2014 年發(fā)布的 COCO 數(shù)據(jù)集到 2022 年的 DrawBench 基準(zhǔn)，從 FID, CLIP 得分到人類偏好等指，如何評(píng)估 text-to-image 模型一直是一個(gè)重要的研課題。但目前在本渲染和拼寫評(píng)方面一直缺乏相工作。為此，研人員提出了一個(gè)的基準(zhǔn) DrawText，旨在全面衡量文本到圖模型的文本渲染量。DrawText 基準(zhǔn)由兩部分組成，分別測(cè)模型能力的不同度：1）DrawText Spell，通過大量的英語單詞集合的通單詞渲染進(jìn)行估；研究人員從語 WikiSpell 頻率桶中各抽取 100 個(gè)單詞，并將它插入一個(gè)標(biāo)準(zhǔn)模中，總共構(gòu)建了 500 個(gè)提示。對(duì)于每個(gè) prompt，從候選模型中抽取 4 張圖片，并使用人評(píng)分和基于光學(xué)符識(shí)別（OCR）的指標(biāo)對(duì)其進(jìn)行估。2）DrawText Creative，通過視覺效果的文本染進(jìn)行評(píng)估。視文本并不局限于街道標(biāo)志那樣的見場(chǎng)景，文字可以多種形式出現(xiàn)如潦草的、繪畫、雕刻的、雕塑，等等。如果圖生成模型支持靈而準(zhǔn)確的文本渲，這將使設(shè)計(jì)師夠使用這些模型開發(fā)創(chuàng)造性的字、標(biāo)志、布局等。為了測(cè)試圖像成模型支持這些例的能力，研究員與一位專業(yè)的形設(shè)計(jì)師合作，建了 175 個(gè)不同的提示，要在一系列創(chuàng)造性風(fēng)格和設(shè)置中渲文本。許多提示出了當(dāng)前模型的力，最先進(jìn)的模會(huì)表現(xiàn)出拼寫錯(cuò)、丟棄或重復(fù)的詞。圖像生成實(shí)實(shí)驗(yàn)結(jié)果顯示，于對(duì)比的 9 個(gè)圖像生成模型中 DrawText Spell 基準(zhǔn)上的準(zhǔn)確率，character-aware 模型（ByT5 和 Concat）無論模型尺寸大小都優(yōu)于其他型，特別是在不見單詞上。Imagen-AR 顯示了避免 cropping 的好處，盡管訓(xùn)練時(shí)長(zhǎng)了 6.6 倍，其仍然比字 character-aware 模型表現(xiàn)差。模型間的另一個(gè)明顯區(qū)別在于它們是在多個(gè)樣本中持地拼錯(cuò)一個(gè)給定單詞。在實(shí)驗(yàn)結(jié)中可以看出，無抽取多少個(gè)樣本T5 模型都有很多單詞拼錯(cuò)，研人員認(rèn)為這表明本編碼器中缺少符知識(shí)。相比之，ByT5 模型基本只會(huì)出現(xiàn)零的錯(cuò)誤。通過測(cè)模型在所有四個(gè)像樣本中持續(xù)正（4/4）或持續(xù)錯(cuò)誤（0/4）的比率可以量化這觀察結(jié)果?？梢?到一個(gè)鮮明的對(duì)，特別是在常見詞上（前 1%），即 ByT5 模型從未持續(xù)錯(cuò)，而 T5 模型在 10% 或更多的詞上持續(xù)錯(cuò)。參考資料：https://arxiv.org/abs/2212.10562本文來自微信公眾號(hào)新智元 （ID：AI_era），編輯：LRS