DALL-E2这篇论文，主要是关于图像生成方面的。首先这篇论文的名字是说使用CLIP训练好的特征，来做层级式的依托于文本的图像生成。论文核心思想，一个是借助了对比学习方法，比如说openAI的CLIP模型，已经可以学习到很稳健的一个图像特征，能同时抓住语义信息又能抓住图像的风格信息；另一个是论文提出了两阶段的模型结构，解码器用的是扩散模型，在prior模型里面尝试了自回归和扩散模型，后者效率更高生成的效果更好。

论文主要的贡献点之一是提出一个新模型：inflated 3D network(I3D),把2D模型扩张到3D模型，这样就不用专门设计一个视频理解的网络了，可以使用2D里已经设计好的网络，比如VGG、ResNet直接把它扩张到3D就可以了，甚至利用一些巧妙的方式把预训练模型利用起来，这样不仅设计简单，而且可以省掉很多预训练的麻烦。 另一个贡献点就是提出了一个新的数据集——Kinetics数据集（Kinetics Human Action Video dataset）。这个大型视频行为识别数据集比UCF-101和HMDB-51大了两个数量级。包括400个人类动作的类别，每个类别都有超过400个clips。数据集是从Youtube中搜集的真实场景下的视频。一经提出就得到了广泛的使用。