Hierarchical Text-Conditional Image Generation with CLIP Latents

DALL-E 2, metinden görüntüler oluşturmak için iki aşamalı bir süreç kullanır. İlk olarak, metin açıklaması CLIP adlı bir model aracılığıyla bir anlama dönüştürülür. Ardından, bir öncelikli model bu metin anlamından bir görüntü oluşturur. Son olarak, bir kod çözücü bu görüntüden son, yüksek çözünürlüklü görüntüyü oluşturur. Bu yaklaşım, DALL-E 2'nin çeşitli ve gerçekçi görüntüler üretmesini sağlar.