1、目的

        过去的text-to-image生成方法需要image-caption对进行训练，无法用在没有text annotation的数据集上

        本文用一个统一的框架，可以选择用reference image / language / language + image指导图像生成模型

2、方法 

        Semantic Diffusion Guidance (SDG)

        1) 无需重新训练无条件DDPM，只需要训练CLIP finetune

                -> 将BN层替换为adaptive BN层，以时间t作为condition

                -> 自监督（contrastive objective，和，其中参数固定，在噪声图像上finetune），无须text annotations

        2) guidance

                ​​​​​​​    

        ​​​​​​​        

                是用额外的timestep input上的噪声图像训练的image encoder

                -> language guidance

                        是text encoder

                        用finetune过的CLIP预测image-text matching score

                -> image guidance

                        content：

                                如果需要生成的图片和参考图片有相似的结构，可以用

                        style

                -> multimodal guidance

                        ​​​​​​​