google brain发布了最新图像生成人工智能研究，提出一种称为imagen的人工智能系统，可通过解析用户的文本输入，创建出写实的图像，与当前其他先进的图像生成算法，诸如vq-gan、ldm和dall-e 2比较，人类皆倾向觉得imagen所产生的图像更真实，也更符合输入的文本叙述。
imagen为文本生成图像扩散模型（diffusion model），能够深度理解文本的意义，并且输出如照片写实的图像。imagen创建在大型transformer语言模型之上，因此拥有强大的文本理解能力，并且依赖扩散模型生成高传真图像。
研究人员提到，他们发现像是t5这类，经过纯文本语料库预训练过的通用大型语言模型，在图像合成的文本编码上非常有效。借由增加imagen中语言模型的大小，就可以提高样本真实度，以及图像与文本描述的一致性，比起增加扩散模型大小还有效。
imagen虽然没有在coco（microsoft common objects in context）资料集中训练过，但可获得目前最低的7.27 fid分数（越低越好），而且人类评估者也发现，在图像和文本一致性上，imagen样本与coco资料集相当。
google还利用drawbench基准测试，来进一步评估imagen文本生成图像的能力，drawbench是一个在文本生成图像领域，更全面也更具挑战性的基准测试。借由将imagen与vq-gan、ldm和dall-e 2算法一起，进行空间关系、长篇文本和罕用字等系统性测试，并由人工评估算法的图像与文本一致性，还有图像的真实性。
由下图可见，无论是在图像与文本的一致性（alignment），还是图像真实性（fidelity），人类普遍认为imagen表现的比vq-gan、ldm与dall-e 2更好。
google暂不对外开放imagen，并把未来工作放在解决开放的挑战与限制上，研究人员提到，虽然他们已经过滤了训练资料集，并且采用不当内容laion-400m资料集，来避免模型产生有害的内容，但是因为imagen依赖使用未经过滤的网络资料，所训练出来的文本编码器，因此imagen仍可能存在一些有害刻板印象。
另外，当前人们对于图像生成文本，以及图像标记模型做了大量的审查工作，以避免产生社会偏见，但是文本到图像模型的社会偏见评估工作相对较少，google研究人员经过内部评估，已发现imagen存在一些社会和文化偏见，像是整体来说，图像人物的肤色差浅，对职业的描绘，也更倾向西方性别刻板印象。
因此即便imagen的能力强大，但目前google仍不打算开源imagen的程序代码，也不提供公开展示，原因在于文本生成图像模型的下游应用非常多样，且可能以复杂的形式影响社会，考虑到潜在的风险，google暂不对外开放imagen，直到开发人员创建起负责任的外部框架，来平衡无限制开放所带来的风险。