文｜王怡寧

　　編輯｜鄧詠儀

　　幾周前，Pika 1.0帶著炫酷的官方宣傳視頻強勢出道，將所有人的目光吸引到了文生視頻賽道。

　　只需輸入一段文字就能得到好萊塢電影質感的視頻，Pika又一次豐富了人們對AI生成式內容的想象力，也把壓力給到了文生圖領域的“前輩”們。不過，就在上周，Google Deepmind在時隔一年半后，帶著Imagen 2強勢回歸。除了更逼真的圖像呈現效果，功能上也有多重升級，讓文生圖賽道的戰局又變得有趣了一些。

　　珠玉在前，Imagen 2一經發布就面臨網友們的靈魂拷問：“你們的模型好在哪里呢？”

　　△圖源：Twitter

理解力更強，告別AI六指人

　　先上結論，升級版的Imagen 2確實有點東西！以下是幾個關鍵看點：

　　1、使用自然語言生成高分辨率且更加逼真的圖像。

　　不妨先看看下面這張圖，是不是一張再普通不過的照片？

　　△圖源：Imagen 2

　　但如果告訴你，這其實是由Imagen 2生成的呢？

Prompt: A shot of a 32-year-old female, up and coming conservationist in a jungle; athleticwith short, curly hair and a warm smile.

　　僅僅依靠以上這串提示詞，你就能用Imagen 2得到一張以假亂真的圖片，這已經非常直觀地展示了Imagen 2強調的高質量、高分辨率和逼真的特點。

　　和其他主流文生圖工具對比，Imagen 2的表現也算相當出色。

　　△圖源：Twitter

　　尤其值得一提的是，Imagen 2還解決了過去AI生成圖片處理不好人的手部和臉部細節的問題，這也意味著，用戶終于可以不用擔心看到離譜的“三手六指”人了。

　　△圖源：Imagen 2

　　這次，Imagen 2甚至還更進一步，開始考慮用戶的審美偏好！

　　DeepMind為Imagen 2訓練了一個特殊的“圖像美學模型”，以人對光線、取景、曝光、清晰度等特質的偏好為基準，為每張圖片打分。也就是說，Imagen 2現在更懂人類的審美了。

　　比如，用“花”作為提示詞，基于人類的審美從左到右分數逐步提高。

　　△圖源：Imagen 2

　　以同樣一段出自《白鯨》的文字為例，Midjourney和Meta AI生成的內容不僅不太貼合人類的審美，還有些怪異。

　　△圖源：Twitter

Prompt: Consider the subtleness of the sea; how its most dreaded creatures glide under water, unapparent for the most part, and treacherously hidden beneath the loveliest tints of azure）

　　Imagen 2和DALL·E 3表現更勝一籌，本質還是它們背靠的Google和OpenAI技術優勢顯著。拿Imagen 2來說，Google為這個新版本工具提供了內部最先進的文本到圖像擴散技術（text-to-image diffusion technology），這種技術讓Imagen 2不僅可以更準確地理解用戶提示詞的含義，也讓圖片質量又提升了一個層次。

　　此外，Imagen 2給了用戶更多的自由空間去編輯他們的圖像，比如讓人眼前一亮修補（inpainting）功能，允許用戶在原始圖片中直接生成新的內容。

　　△圖源：Imagen 2

　　2、生成各類商標，還允許添加數字水印

　　Imagen 2可以生成各類用于商業領域的Logo，讓企業和品牌輕松實現商標自由。

　　△圖源：Imagen 2

　　當然，更重要的是安全問題，比如，加個水印。添加水印的功能并不特別，難點在于如何有水平地加水印。在這一點上，Imagen 2為用戶提供了一個完美的解決方案。

　　Imagen2在設計中集成了SynthID，這是一種用于加水印和識別 AI 生成內容的尖端工具包，這使得通過Imagen 2添加的數字水印肉眼無法察覺，且不會影響圖像質量。

　　△圖源：Google DeepMind

　　這種數字水印還非常“牢固”。不論是加濾鏡、壓縮體積、更改亮度，還是刪除部分內容，水印都仍然能被檢測到。

　　△圖源：Google DeepMind

　　可以說，這項功能直擊企業客戶的痛點，對他們來說相當有價值。Google在他們的官網展示了客戶之一，一家中國的知名設計和素材平臺，對產品的評價，稱Imagen已經幫助他們生成了數以百萬計的圖像，還盡可能減少了版權方面的摩擦。

　　3、支持多語言文本渲染和視覺問答

　　Imagen 2還提供文本渲染支持，又解決了以往文生圖的一個技術難點。例如，如果提示模型生成具有特定單詞或短語的對象圖片，那么確保正確的短語是輸出圖像的一部分就很困難。

　　Image 2就解決了這個問題，對于企業想要在圖片中露出正確的品牌信息尤其有幫助。

　　△圖源：Imagen 2

　　除了英語，Imagen2預覽版還支持中文、印地語、日語、韓語、葡萄牙語、英語和西班牙語6種語言，多語言版本預計將在2024年年初發布。

One More Thing

　　從Imagen 2的實測表現來看，Google在Imagen 1發布后的一年半里確實在取得了不小的研究成果，大有在文生圖領域彎道超車的勢頭在。

　　當然，不同于被大眾稱作“競品”的DALL·E 3和Midjourney，Imagen 2只是家大業大的Google業務中的一小部分。在過去的兩周內，Google還發布了他們更重要的大模型產品Gemini（顯然也是最核心的業務之一），和針對醫療行業進行微調的模型MedLM。

　　就在上周末，Google又推出了新的視覺語言模型PixelLLM，逐詞定位功能讓人眼前一亮，不僅能夠對圖片內容作出準確描述，還能精確指出圖中每個詞匯所對應的位置，可以說是在2023年的末尾又狠狠地“卷”了一把同行們。

　　△圖源：Twitter

　　從上面的一系列動作來看，Google更想做一個在AI領域“全面發展”的優等生。Imagen 2的發布對于Google接下來AI業務的長遠發展有著不小的意義，它擁有的強大的文本理解能力、制作高分辨率圖片等能力有望在未來為Google更多的業務提供底層的技術支持。

　　美中不足的是，Imagen 2目前主要通過Vertex AI開放給Google Cloud的企業用戶，而非直接開放給個人用戶，此舉也被一部分網友批評開放范圍太小。

　　就在Imagen 2發布的同一天，文生圖賽道的另一家明星公司Midjourney也正式上線了alpha版本，通過設置右側滑塊一鍵調整圖片比例等功能提升了用戶友好度，不過這些小規模更新似乎沒有滿足用戶的期待。

　　不知道是否受了Imagen 2發布消息的影響，Midjourney在12月17日宣布將在下周更新V6版本，距離上一個版本已經時隔半年。從目前流出的一些圖片來看，V6處理復雜信息的能力有明顯提高，下周正式上線的版本值得期待，恐怕也免不了被拿來和Imagen 2一較高下。

　　比起文生視頻工具驚艷但還不太穩定的發揮，Imagen 2的更新更像是Google在基礎的視覺語言處理方面邁出的扎實一步，讓AI學習人類審美來制圖，是一種頗有意義的探索和進步。

　　歡迎交流