Hierarchical Text-Conditional Image Generation with CLIP Latents

DALL-E 2, metin açıklamalarından yüksek kaliteli ve gerçekçi görüntüler oluşturmak için iki aşamalı bir süreç kullanır. İlk olarak, CLIP adı verilen bir model, metin açıklamasını bir görüntü gösterimine dönüştürür. Daha sonra, bir difüzyon modeli bu gösterimi alır ve karşılık gelen görüntüyü oluşturur. Bu yaklaşım, DALL-E 2'nin çeşitli metin açıklamalarından tutarlı ve ayrıntılı görüntüler üretmesini sağlar.