Google提出了一个跨模态对比学习框架来训练用于文本到图像合成的 GAN 模型，用于研究解决生成的跨模态对比损失问题。

文 / Han Zhang, Research Scientist and Jing Yu Koh, Software Engineer, Google Research

原文 / https://ai.googleblog.com/2021/05/cross-modal-contrastive-learning-for.html

从文本到图像的自动生成，如何训练模型仅通过一段文本描述输入就能生成具体的图像，是一项非常具有挑战性的任务。与其它指导图像创建的输入类型相比，描述性句子是一种更直观、更灵活的视觉概念表达方式。强大的自动文本到图像的生成系统可以成为快速、有效的内容生产、制作工具，用于更多具有创造性的应用当中。在CVPR 2021中，Google提出了一个跨模态对比生成对抗网络（XMC-GAN），训练用于文本到图像合成的 GAN 模型，通过模态间与模态内的对比学习使图像和文本之间的互信息最大化，解决文本到图像生成的跨模态对比损失问题。

XMC-GAN 文本到图像合成模型中的模态间和模态内对比学习

XMC-GAN 被成功应用于三个具有挑战性的数据集：一个是MS-COCO 图像描述集合，另外两个是用Localized Narratives注释的数据集，一个是包括MS-COCO 图像（称为LN-COCO) ，另一个描述开放图像数据 (LN-OpenImages)。结果显示 XMC-GAN生成图像所描绘的场景相比于使用其它技术生成的图像质量更高，在每个方面都达到了最先进的水平。

MS-COCO对图像质量和文本对齐的人工评估

此外，XMC-GAN还在 LN-OpenImages 上进行了一系列训练和评估，这相比于 MS-COCO 更具有挑战性，由于数据集更大，图像涵盖主题范围更加广泛且复杂。

Open Images 上真实和生成图像的随机样本

对于人类评估和定量指标，XMC-GAN 在多个数据集模型中相较之前有显著的改进。可以生成与输入描述非常匹配的高质量图像，包括更长，更详细的叙述，同时端到端模型的复杂度也相对较为简单，这代表了从自然语言描述生成图像的创造性应用的重大进步。