Imagen

Imagen 由 Google Research 的 Brain 团队提出，走的是扩散模型路线：先用一个只在文本语料上预训练过的大语言模型（T5）把提示词编码成向量，再交给级联扩散模型逐步去噪出图。

论文里最值得记的一条结论是，把编码文本的语言模型换大，对画质和图文贴合度的提升，比把图像扩散模型换大更明显。文生图这条链路上，读懂文字的环节比画画本身更吃参数。

评测数字方面，Imagen 在 COCO 上拿到 7.27 的 FID，而且模型从未在 COCO 上训练过；人工评审认为它的样本在图文对齐上与 COCO 真实数据相当。团队另外做了 DrawBench 这套评测集，比较不同模型在颜色、数量、空间关系、文字渲染等刁钻提示上的表现，参与对比的有 VQ-GAN+CLIP、Latent Diffusion Models 与 DALL-E 2。

• Imagen 家族后来又长出两条支线：Imagen Video 做视频生成，Imagen Editor 做按文本指令的局部编辑。imagen.research.google 这个页面是研究展示页，挂的是论文和 DrawBench 入口，不是面向公众开放的在线作图产品。