虽然解码器可以反转 CLIP 图像嵌入ziz_izi​以生成图像xxx，但我们需要一个先验模型，从标题yyy生成ziz_izi​，以便从文本字幕生成图像。自回归 (AR) 先验：将 CLIP 图像嵌入ziz_izi​转换为离散代码序列，并以标题yyy为条件进行自回归预测。扩散先验： 连续向量ziz_izi​直接使用高斯扩散模型建模，以字幕yyy为条件。我们可以将 CLIP 文本embeddingz

在训练神经网络时，不是一次性将所有数据输入模型，而是将数据分成小批量（batches），然后逐批输入模型进行训练。

这种方法已成为最受下游用户欢迎的方法之一，因为它：a) 与提示相比，将结构与内容分离可对结果进行。

马尔可夫链定义本身比较简单，它假设某一时刻状态转移的概率只依赖于它的前一个状态。如果用精确的数学定义来描述，则假设我们的序列状态是。

当条件是可组合的而不是独立使用时，生成模型的控制空间可以大大扩展。此外，我们提出了多种基于无分类器和双向指导的 Composer 用于一系列图像生成和操作任务的方法，为未来的研究提供有用的参考。尽管我们在 4.3 节中凭经验找到了一种简单、可行的多条件联合训练配置，但该策略并不完美，例如，它可能会降低单条件生成性能的权重。例如，如果无法访问全局嵌入，则基于草图或基于深度的生成通常会生成相对较暗的图