Coreml Stable Diffusion V1 5 Palettized

🚀 Stable Diffusion v1-5モデルカード

Stable Diffusionは、任意のテキスト入力を元に写実的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。本モデルは、Appleのリポジトリを使用してHugging Faceによって生成され、ASCLが適用されています。このバージョンには、iOS 17またはmacOS 14用の6ビットパレタ化Core MLウェイトが含まれています。量子化なしのウェイトが必要な場合は、このモデルをご利用ください。

🚀 クイックスタート

Stable Diffusion v1-5モデルについての詳細な説明や使用方法を以下に示します。

✨ 主な機能

• テキストプロンプトに基づいて画像を生成および変更することができます。
• Core ML形式に変換されており、Apple Siliconハードウェアでの使用に適しています。
• 4種類のCore MLウェイトのバリアントが用意されています。

📚 ドキュメント

モデル詳細

@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}
}

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のようなものがあります。

• 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や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アプリケーション。
• 生成モデルに関する研究。

以下に除外される利用について説明します。

誤用、悪意のある利用、および想定外の利用

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。これには以下のようなことが含まれますが、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、またはその他の有害な表現の生成。
• 差別的なコンテンツや有害なステレオタイプを意図的に宣伝または拡散すること。
• 本人の同意なしに個人をなりすますこと。
• 見る人の同意なしの性的なコンテンツ。
• 誤情報とディスインフォメーション。
• 重大な暴力や残虐な描写。
• 著作権またはライセンスされた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された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

• 完全な写実性を達成することはできません。
• 読み取り可能なテキストをレンダリングすることはできません。
• 「青い球体の上に赤い立方体」のような構成性を必要とする難しいタスクではうまく機能しません。
• 顔や人全体が適切に生成されない場合があります。
• 主に英語のキャプションで訓練されているため、他の言語ではうまく機能しません。
• モデルの自動符号化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や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、白人人種や西洋文化がデフォルトとして設定されることが多いため、モデルの全体的な出力に影響を与えます。さらに、英語以外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著しく劣ります。

安全モジュール

このモデルの意図された使用方法は、Diffusersの Safety Checker とともに使用することです。このチェッカーは、モデルの出力を既知のハードコードされたNSFW概念と比較することで機能します。これらの概念は、このフィルターの逆エンジニアリングの可能性を減らすために意図的に隠されています。具体的には、チェッカーは画像の生成 後 に CLIPTextModel の埋め込み空間内の有害な概念のクラス確率を比較します。これらの概念は、生成された画像とともにモデルに渡され、各NSFW概念に対する手動で設計された重みと比較されます。

訓練

訓練データ

モデル開発者は、以下のデータセットをモデルの訓練に使用しました。

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

訓練手順

Stable Diffusion v1-5は、オートエンコーダと、オートエンコーダの潜在空間で訓練される拡散モデルを組み合わせた潜在拡散モデルです。訓練中は以下のように行われます。

• 画像はエンコーダ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。オートエンコーダは相対的なダウンサンプリング係数8を使用し、形状が H x W x 3 の画像を形状が 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を通じてエンコードされます。
• テキストエンコーダの非プール出力は、クロスアテンションを介して潜在拡散モデルのUNetバックボーンに供給されます。
• 損失は、潜在表現に追加されたノイズとUNetによる予測との間の再構成目標です。

現在、6つのStable Diffusionチェックポイントが提供されており、以下のように訓練されています。

• 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、推定美学スコア > 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）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、および classifier-free guidance sampling を改善するためにテキストコンディショニングの10%をドロップ。

• 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、および classifier-free guidance sampling を改善するためにテキストコンディショニングの10%をドロップ。

• stable-diffusion-v1-5 stable-diffusion-v1-2 から再開 - "laion-aesthetics v2 5+" で解像度 512x512 で595,000ステップ、および classifier-free guidance sampling を改善するためにテキストコンディショニングの10%をドロップ。

• stable-diffusion-inpainting stable-diffusion-v1-5 から再開 - その後、"laion-aesthetics v2 5+" で解像度512x512で440,000ステップのインペインティング訓練、およびテキストコンディショニングの10%をドロップ。インペインティングのために、UNetには追加の5つの入力チャネル（マスクされた画像をエンコードした4つとマスク自体の1つ）があり、その重みは非インペインティングのチェックポイントを復元した後にゼロ初期化されました。訓練中は、合成マスクを生成し、25%の確率ですべてをマスクします。

• ハードウェア: 32 x 8 x A100 GPU

• オプティマイザ: 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までウォームアップし、その後一定に保ちます。

評価結果

異なる分類器フリー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）および50 PNDM/PLMSサンプリングステップでの評価により、チェックポイントの相対的な改善が示されています。

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て50 PLMSステップで評価され、解像度512x512で評価されています。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、およびコンピュートリージョンを利用して、炭素影響を推定しています。

• 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: AWS
• コンピュートリージョン: US-east
• 排出された炭素（消費電力 x 時間 x 電力網の位置に基づく炭素生成量）: 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}
    }