DALLE2-pytorch

收录理由

DALL-E 2 的生成过程分为两个阶段：扩散先验网络把 CLIP 文本嵌入转换为图像嵌入，解码器再将该嵌入渲染为像素。这个仓库用 PyTorch 完整实现了整条流水线，作者特意选择了效果最好的扩散先验变体进行搭建，因此你拿到的是可直接运行的代码，而不只是论文里的公式。项目真正做到了端到端可训练，外部研究团队已经用它训练出可用的扩散先验，用于 CLIP 和 StyleGAN 的文本生成图像流程；还有人借助仓库自带的脚本，把训练扩展到 800 张 GPU 上。README 也坦承，后来的文本生成图像模型已经超越了它，但如果你想研究这种两阶段设计，或者想自己重训一个变体，这里是一个扎实的起点。