Imagen

Imagen 是谷歌研究院推出的一款文本到图像扩散模型，旨在根据自然语言描述生成照片级逼真且语义精准的图像。它结合了大型 Transformer 语言模型的文本理解能力与扩散模型的高保真图像生成优势，实现了前所未有的真实感和语言理解深度。其核心发现是，仅在纯文本语料上预训练的通用大型语言模型（如 T5）能极为有效地编码文本用于图像合成，且扩大语言模型规模比扩大扩散模型规模更能提升样本保真度和图文对齐度。

Imagen 采用级联扩散模型架构：冻结的 T5-XXL 编码器将输入文本转换为嵌入，条件扩散模型将其映射为 64×64 图像，再经文本条件超分辨率扩散模型逐级上采样至 256×256 和 1024×1024。研究团队还提出了阈值扩散采样器以支持大尺度无分类器引导权重，并设计高效 U-Net 架构，在计算、内存效率和收敛速度上均有显著提升。

在 COCO 数据集上，Imagen 以 7.27 的 FID 分数刷新当时最优水平，且未使用 COCO 训练数据；人类评估显示其图文对齐度与真实图像相当。团队还提出 DrawBench 基准，系统测试组合性、基数、空间关系、长文本、罕见词等维度，人类评估中 Imagen 在样本质量和图文对齐上均获得优先偏好。该系列还包括 Imagen Video 和 Imagen Editor。

目前 Imagen 未开放代码或公开演示，以规避数据偏见等潜在风险。该模型主要用于研究探索，其架构思想和评估方法为文本到图像领域提供了重要参考。