先来看一下整体的框架图

训练过程包括三个部分：

1、CLIP训练（用预训练模型即可）

2、prior网络训练 （学习文本特征到图像特征的映射）

输入是CLIP编码后的文本特征，输出是图像特征，用CLIP编码的图像特征作为监督

3、decoder网络训练（学习图像特征到图像的映射）

输入是CLIP编码后的图像特征，输出是图，用原图做监督

相关文章

评论可见，请评论后查看内容，谢谢！！！
 您阅读本篇文章共花了：