Stable Diffusion V1 3

🚀 Stable Diffusion v1-3モデルカード

Stable Diffusionは、任意のテキスト入力を元に写真のようにリアルな画像を生成できる潜在的なテキストから画像への拡散モデルです。 Stable Diffusionの機能について詳しくは、🤗のStable Diffusion with D🧨iffusersブログをご覧ください。

Stable-Diffusion-v1-3のチェックポイントは、Stable-Diffusion-v1-2のチェックポイントの重みで初期化され、その後、解像度512x512で195,000ステップ、「laion-improved-aesthetics」で微調整され、テキスト条件付けを10％削除して分類器なしガイダンスサンプリングを改善しました。 詳細については、トレーニングを参照してください。

ここの重みは、D🧨iffusersライブラリで使用することを想定しています。CompVis Stable Diffusionのコードベースに読み込む重みを探している場合は、こちらをご覧ください。

✨ 主な機能

Stable Diffusionは、テキスト入力に基づいて写真のようにリアルな画像を生成することができます。また、D🧨iffusersライブラリとの互換性があり、簡単に実行できます。

📦 インストール

このモデルを実行するには、🤗のDiffusersライブラリを使用することをおすすめします。

pip install --upgrade diffusers transformers scipy

💻 使用例

基本的な使用法

デフォルトのPNDMスケジューラーでパイプラインを実行するには、次のコードを使用します。

import torch
from torch import autocast
from diffusers import StableDiffusionPipeline

model_id = "CompVis/stable-diffusion-v1-3"
device = "cuda"


pipe = StableDiffusionPipeline.from_pretrained(model_id)
pipe = pipe.to(device)

prompt = "a photo of an astronaut riding a horse on mars"
with autocast("cuda"):
    image = pipe(prompt, guidance_scale=7.5)["sample"][0]  
    
image.save("astronaut_rides_horse.png")

高度な使用法

GPUメモリが制限され、利用可能なGPU RAMが10GB未満の場合は、上記のようにデフォルトのfloat32精度ではなく、float16精度でStableDiffusionPipelineを読み込むようにしてください。これは、diffusersに重みがfloat16精度であることを期待するように指示することで行えます。

import torch

pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to(device)

prompt = "a photo of an astronaut riding a horse on mars"
with autocast("cuda"):
    image = pipe(prompt, guidance_scale=7.5)["sample"][0]  
    
image.save("astronaut_rides_horse.png")

ノイズスケジューラーを交換するには、from_pretrainedに渡します。

from diffusers import StableDiffusionPipeline, LMSDiscreteScheduler

model_id = "CompVis/stable-diffusion-v1-3"
# ここではK-LMSスケジューラーを使用します
scheduler = LMSDiscreteScheduler(beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000)
pipe = StableDiffusionPipeline.from_pretrained(model_id, scheduler=scheduler, use_auth_token=True)
pipe = pipe.to("cuda")

prompt = "a photo of an astronaut riding a horse on mars"
with autocast("cuda"):
    image = pipe(prompt, guidance_scale=7.5)["sample"][0]  
    
image.save("astronaut_rides_horse.png")

📚 ドキュメント

モデルの詳細

利用方法

直接利用

このモデルは研究目的のみを想定しています。可能な研究分野やタスクには、以下が含まれます。

• 有害なコンテンツを生成する可能性のあるモデルの安全なデプロイ
• 生成モデルの制限やバイアスの調査と理解
• アートワークの生成とデザインやその他のアートプロセスでの使用
• 教育または創造的なツールでの応用
• 生成モデルの研究

除外される利用方法については、以下を参照してください。

誤用、悪意のある利用、および想定外の利用

注意: このセクションは、DALLE-MINIモデルカードから引用していますが、Stable Diffusion v1にも同様に適用されます。

このモデルは、人々に敵対的または疎外感を与える環境を作り出す画像を意図的に作成または拡散するために使用してはなりません。これには、人々が不快、苦痛、または不快感を感じると予想される画像や、歴史的または現在のステレオタイプを広めるコンテンツの生成が含まれます。

想定外の利用

このモデルは、人や出来事の事実的または真実の表現として訓練されていないため、このようなコンテンツを生成するためにモデルを使用することは、このモデルの能力範囲外です。

誤用と悪意のある利用

このモデルを個人に対して残酷なコンテンツを生成するために使用することは、このモデルの誤用です。これには、以下が含まれますが、これらに限定されません。

• 人やその環境、文化、宗教などの侮辱的、非人間的、またはその他有害な表現の生成
• 差別的なコンテンツや有害なステレオタイプの意図的な宣伝または拡散
• 本人の同意なしでの個人のなりすまし
• 見る人の同意なしの性的なコンテンツ
• 誤情報と偽情報
• 重大な暴力や血腥い描写
• 著作権またはライセンスのある素材をその使用条件に違反して共有すること
• 著作権またはライセンスのある素材をその使用条件に違反して改変したコンテンツを共有すること

制限とバイアス

制限

• このモデルは完全な写真のようなリアリズムを達成しません
• このモデルは読み取り可能なテキストをレンダリングできません
• このモデルは、「青い球の上に赤い立方体」に対応する画像をレンダリングするなど、構成性を伴うより難しいタスクではうまく機能しません
• 顔や人物全体が適切に生成されない場合があります
• このモデルは主に英語のキャプションで訓練されており、他の言語ではうまく機能しません
• このモデルのオートエンコーダー部分は損失があります
• このモデルは大規模なデータセットLAION-5Bで訓練されており、成人向けの素材が含まれており、追加の安全メカニズムと考慮なしに製品で使用するには適していません
• データセットの重複排除には追加の対策が取られていません。その結果、訓練データに重複している画像については、ある程度の記憶が見られます。 訓練データは、https://rom1504.github.io/clip-retrieval/で検索でき、記憶された画像の検出に役立つ可能性があります。

バイアス

画像生成モデルの能力は印象的ですが、社会的なバイアスを強化または悪化させる可能性もあります。 Stable Diffusion v1は、LAION-2B(en)のサブセットで訓練されており、主に英語の説明に限定された画像で構成されています。 他の言語を使用するコミュニティや文化のテキストや画像は、十分に考慮されていない可能性があります。 これは、モデルの全体的な出力に影響を与え、白人や西洋文化がしばしばデフォルトとして設定されます。さらに、非英語のプロンプトでコンテンツを生成するモデルの能力は、英語のプロンプトと比較して大幅に劣ります。

トレーニング

トレーニングデータ

モデル開発者は、以下のデータセットをモデルのトレーニングに使用しました。

• LAION-2B (en) およびそのサブセット（次のセクションを参照）

トレーニング手順

Stable Diffusion v1-4は、オートエンコーダーとオートエンコーダーの潜在空間で訓練された拡散モデルを組み合わせた潜在拡散モデルです。トレーニング中は、以下の手順が行われます。

• 画像はエンコーダーを通じてエンコードされ、画像が潜在表現に変換されます。オートエンコーダーは相対的なダウンサンプリング係数8を使用し、形状H x W x 3の画像を形状H/f x W/f x 4の潜在表現にマッピングします
• テキストプロンプトはViT-L/14テキストエンコーダーを通じてエンコードされます
• テキストエンコーダーの非プール出力は、クロスアテンションを介して潜在拡散モデルのUNetバックボーンに入力されます
• 損失は、潜在表現に追加されたノイズとUNetによる予測の間の再構成目的です

現在、以下のように訓練された4つのチェックポイントを提供しています。

• stable-diffusion-v1-1: laion2B-enで解像度256x256で237,000ステップ。 laion-high-resolution（LAION-5Bから解像度>= 1024x1024の170Mの例）で解像度512x512で194,000ステップ。
• stable-diffusion-v1-2: stable-diffusion-v1-1から再開。 「laion-improved-aesthetics」（laion2B-enのサブセットで、元のサイズ>= 512x512、推定美観スコア> 5.0、推定ウォーターマーク確率< 0.5の画像にフィルタリングされたもの。ウォーターマークの推定はLAION-5Bのメタデータから、美観スコアは改良された美観推定器を使用して推定されます）で解像度512x512で515,000ステップ。
• stable-diffusion-v1-3: stable-diffusion-v1-2から再開。「laion-improved-aesthetics」で解像度512x512で195,000ステップ、テキスト条件付けを10％削除して分類器なしガイダンスサンプリングを改善しました。
• stable-diffusion-v1-4 stable-diffusion-v1-2から再開。「laion-aesthetics v2 5+」で解像度512x512で225,000ステップ、テキスト条件付けを10％削除して分類器なしガイダンスサンプリングを改善しました。

トレーニングの詳細

• ハードウェア: 32 x 8 x A100 GPU
• オプティマイザー: AdamW
• 勾配蓄積: 2
• バッチ: 32 x 8 x 2 x 4 = 2048
• 学習率: 10,000ステップで0.0001にウォームアップし、その後一定に維持

評価結果

異なる分類器なしガイダンススケール（1.5、2.0、3.0、4.0、5.0、6.0、7.0、8.0）と50 PLMSサンプリングステップでの評価は、チェックポイントの相対的な改善を示しています。

評価は、50 PLMSステップとCOCO2017検証セットからの10000のランダムなプロンプトを使用し、解像度512x512で行われました。FIDスコアに最適化されていません。

環境への影響

Stable Diffusion v1 推定排出量 この情報に基づいて、Lacoste et al. (2019)で提示されたMachine Learning Impact calculatorを使用して、以下のCO2排出量を推定しています。ハードウェア、実行時間、クラウドプロバイダー、およびコンピュートリージョンを利用して、炭素排出量を推定しています。

• ハードウェアタイプ: A100 PCIe 40GB
• 使用時間: 150000時間
• クラウドプロバイダー: AWS
• コンピュートリージョン: US-east
• 排出された炭素（電力消費 x 時間 x 電力網の位置に基づいて生成された炭素）: 11250 kg CO2 eq.

引用

    @InProceedings{Rombach_2022_CVPR,
        author    = {Rombach, Robin and Blattmann, Andreas and Lorenz, Dominik and Esser, Patrick and Ommer, Bj\"orn},
        title     = {High-Resolution Image Synthesis With Latent Diffusion Models},
        booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
        month     = {June},
        year      = {2022},
        pages     = {10684-10695}
    }

このモデルカードは、Robin RombachとPatrick Esserによって作成され、DALL-E Miniモデルカードをベースにしています。

📄 ライセンス

このモデルは、すべての人に公開されており、CreativeML OpenRAIL-Mライセンスによってさらに権利と使用方法が指定されています。

CreativeML OpenRAILライセンスによると、以下のことが規定されています。

1. モデルを使用して、意図的に違法または有害な出力やコンテンツを生成または共有してはなりません
2. 作成者は、生成した出力に対して何らの権利も主張せず、自由に使用できますが、ライセンスに定められた規定に反してはなりません
3. 重みを再配布し、モデルを商業的におよび/またはサービスとして使用することができます。その場合は、ライセンスに記載されているのと同じ使用制限を含め、CreativeML OpenRAIL-Mのコピーをすべてのユーザーに共有することを忘れないでください（ライセンス全体を注意深く読んでください）

完全なライセンスについては、こちらをご覧ください。