OpenAI->DALL.E
OpenAI成功地训练了一个能够从文字标题生成图像的网络。它非常类似于GPT-3和图像GPT，并产生惊人的结果。
DALL-E是OpenAI基于GPT-3开发的一种新型神经网络。它是GPT-3的一个小版本，使用了120亿个参数，而不是1750亿个参数。但它已经经过专门训练，可以从文本描述生成图像，使用的是文本-图像对的数据集，而不是像GPT-3这样非常广泛的数据集。它可以使用自然语言从文字说明中创建图像，就像GPT-3创建网站和故事一样。
DALL-E与GPT-3非常相似，它也是一个transformer语言模型，接收文本和图像作为输入，以多种形式输出最终转换后的图像。
Input:“山上一只狐狸的特写”
Output:
WuDao->Cogview #咱国产的，真不错
作者：Phoenix Cat
链接：https://www.zhihu.com/question/438082738/answer/1664929807
来源：知乎其实在dalle最早的博客放出来之前，我们也独立地想到了这个VQAE+Transformer的算法框架，只不过投入不够，进展不够快，另外就是训练大模型时有一些意料之外的困难（例如精度），最后我还是基本解决了（虽然DALLE文章出来之后，他们的解法和我们不一样，感觉自己想到的还更加优雅）。不过这种规模的工作被抢先了真的太伤了，估计得想点新的创新点才能发文章……文章发了之前暂时不太会和别人详细交流技术细节了。
欢迎关注
在20号的发布会~到时候可能放一个Demo网站出来（文章可能还早TAT）
//-----------------原答案-------------------
太夸张了，我搞这个任务快半年了。。。他这个blog中介绍的做法跟我们现在的方法几乎一致（除了大一点），但是我们感觉单纯升到13B完全达不到这个效果。。。因为这个问题跟数据集强相关，想知道数据集。。。（可能这玩意和clip强耦合，需要很多前者的产品）总之就是非常绝望，感觉自己搞的根本没意义，螳臂挡车。。。
文章的链接是 https://arxiv.org/pdf/2105.13290.pdf
之前的demo页面仍然有效，但是依旧没有上线特别耗时的超分辨率和多次生成后选择的部分。
//----------------
Demo链接==> CogView图文生成。
//-----------------
Reference:
[1]DALL.E：https://blog.csdn.net/deephub/article/details/112301876
[2]:COGVIEW:https://github.com/THUDM/CogView
[3]:open AI地址：https://openai.com/blog/dall-e/
[4]:悟道AI：https://wudao.aminer.cn/