Imagen

技术设计

Imagen的独特之处在于它将大型语言模型（T5-XXL，110亿参数）作为文本编码器，而不是通常使用的CLIP。Google的研究发现，语言模型对文本的理解比CLIP更深入，生成图像时对复杂语义（「一只棕熊坐在水里，手里拿着一条三文鱼，背景是秋天的森林」）的忠实度更高。

生成流程采用级联扩散：先生成低分辨率（64×64）图像，再通过两个超分辨率扩散模型逐步放大至1024×1024，每级专注于不同粒度的细节。[1]

后续产品化

Imagen发布时Google以「安全评估未完成」为由未向公众开放。2023年，Google将Imagen集成进Vertex AI（面向企业的图像生成API）和Google Slides、Docs的AI功能（Magic Create）。2024年的Imagen 3在照片真实感和文字渲染上进一步提升，作为Gemini生态中图像生成能力的核心引擎，开始向部分用户开放。其与Gemini的深度整合使Google在多模态AI产品上形成更完整的体系。