OpenAI 官网发布论文《Hierarchical text-conditional image generation with CLIP latents》，站点将其归类为论文，研究主题是文本到图像的生成。（原文链接：https://openai.com/index/hierarchical-text-conditional-image-generation-with-clip-latents）
从标题看，这条技术路线有两个关键词：
- Hierarchical（分层）：生成并非从文本一步映射到像素，而是被拆分成多个阶段逐级完成；
- CLIP latents（CLIP 潜变量）：以 CLIP 的潜在表示作为中间媒介，让文本条件与图像内容在一个已完成跨模态对齐的表征空间里衔接。
为什么重要
文本到图像生成长期需要同时处理两件事：一是把自然语言的语义对应到画面内容，二是保证生成结果的清晰度与细节。把两者混在一步里完成，条件信息容易被稀释。分层结构相当于在“文本”与“像素”之间加入一层语义中间态，先处理语义与结构的对应，再交给后续阶段成像；而引入 CLIP 潜变量，则是把这一中间态建立在一个已经完成图文对齐的表征空间之上。
对从业者而言，这一框架的意义在于把跨模态对齐与图像生成两个环节解耦：前者可复用已有的图文模型，后者专注于成像质量，两者通过潜变量接口连接。这种模块化思路，也为后续单独替换或扩展其中任一环节留出了空间。论文详情可参见 OpenAI 官网原文。