Stable Diffusion 2 1 Img2img Jonathan2

🚀 Stable Diffusion v2-1-baseモデルカード

このモデルカードは、Stable Diffusion v2-1-baseモデルに関連する情報を提供します。このモデルは、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ために使用できます。

🚀 クイックスタート

このstable-diffusion-2-1-baseモデルは、stable-diffusion-2-base (512-base-ema.ckpt) を同じデータセットで220kステップ追加で微調整し、punsafe=0.98としています。

• stablediffusion リポジトリで使用するには、ここ からv2-1_512-ema-pruned.ckptをダウンロードします。
• 🧨 diffusers で使用することもできます。

✨ 主な機能

このモデルは、拡散ベースのテキストから画像生成モデルで、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。

📦 インストール

🤗's Diffusersライブラリ を使用して、Stable Diffusion 2を簡単かつ効率的に実行するには、以下のコマンドを実行します。

pip install diffusers transformers accelerate scipy safetensors

💻 使用例

基本的な使用法

以下のコードは、Stable Diffusion 2を実行する基本的な例です。

from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler
import torch

model_id = "stabilityai/stable-diffusion-2-1-base"

scheduler = EulerDiscreteScheduler.from_pretrained(model_id, subfolder="scheduler")
pipe = StableDiffusionPipeline.from_pretrained(model_id, scheduler=scheduler, torch_dtype=torch.float16)
pipe = pipe.to("cuda")

prompt = "a photo of an astronaut riding a horse on mars"
image = pipe(prompt).images[0]

image.save("astronaut_rides_horse.png")

高度な使用法

• 依存関係ではありませんが、メモリ効率の高いアテンション（パフォーマンス向上）のために xformers をインストールすることを強くお勧めします。
• GPU RAMが少ない場合は、cudaに送信した後にpipe.enable_attention_slicing()を追加すると、VRAM使用量を減らすことができます（速度は低下します）。

📚 ドキュメント

モデルの詳細

• 開発者: Robin Rombach, Patrick Esser
• モデルタイプ: 拡散ベースのテキストから画像生成モデル
• 言語: 英語
• ライセンス: CreativeML Open RAIL++-M License
• モデルの説明: これは、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ために使用できるモデルです。Latent Diffusion Model を使用し、固定された事前学習済みのテキストエンコーダー (OpenCLIP-ViT/H) を使用しています。
• 詳細情報のリソース: GitHubリポジトリ.
• 引用方法:

@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}
}

使用方法

直接使用

このモデルは研究目的のみを意図しています。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。
• 生成モデルの制限と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。

除外される使用方法については以下で説明します。

誤用、悪意のある使用、および想定外の使用

このモデルは、人々に敵意や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の生成、または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が含まれます。

想定外の使用

このモデルは、人やイベント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。

誤用と悪意のある使用

このモデルを使用して、個人に残酷なコンテンツを生成することは、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、またはその他の有害な表現の生成。
• 差別的なコンテンツまたは有害なステレオタイプを意図的に宣伝または広めること。
• 本人の同意なしでの個人のなりすまし。
• 閲覧者の同意なしでの性的コンテンツ。
• 誤情報と偽情報
• 重大な暴力やグロテスクな表現
• 著作権またはライセンスされた素材の使用条件に違反した共有。
• 著作権またはライセンスされた素材の改変コンテンツの使用条件に違反した共有。

制限とバイアス

制限

• このモデルは完全な写実性を達成しません。
• 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、大規模データセット LAION-5B のサブセットで訓練されており、成人向け、暴力的、および性的なコンテンツが含まれています。これを部分的に軽減するために、LAIONのNFSW検出器を使用してデータセットをフィルタリングしています（訓練セクションを参照）。

バイアス

画像生成モデルの能力は印象的ですが、社会的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 v2は主に LAION-2B(en) のサブセットで訓練されており、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、白人と西洋文化がしばしばデフォルトとして設定されるため、モデルの全体的な出力に影響を与えます。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。Stable Diffusion v2はバイアスを反映し、悪化させる程度が大きいため、入力やその意図に関係なく、閲覧者の裁量が必要です。

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-5Bとそのサブセット（詳細は以下）。訓練データは、LAIONのNSFW検出器を使用してさらにフィルタリングされ、「p_unsafe」スコアが0.1（保守的）に設定されています。詳細については、LAION-5Bの NeurIPS 2022 論文とこのトピックに関するレビューアーの議論を参照してください。

訓練手順

Stable Diffusion v2は、オートエンコーダーと拡散モデルを組み合わせた潜在拡散モデルで、オートエンコーダーの潜在空間で訓練されます。訓練中は、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、OpenCLIP-ViT/H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による予測の間の再構成目的です。また、いわゆる v-objective も使用しています（https://arxiv.org/abs/2202.00512 を参照）。

現在、以下のバージョンのチェックポイントを提供しています。

バージョン2.1

• 512-base-ema.ckpt: 512-base-ema.ckpt 2.0を同じデータセットで220kステップ追加で微調整し、punsafe=0.98としています。
• 768-v-ema.ckpt: 768-v-ema.ckpt 2.0から再開し、同じデータセットで追加の55kステップを実行し（punsafe=0.1）、その後さらに155kステップの微調整を行い、punsafe=0.98としています。

バージョン2.0

• 512-base-ema.ckpt: LAION-5B のサブセットで、明示的なポルノグラフィック素材をフィルタリングしたものを使用して、解像度 256x256 で550kステップ訓練しました。LAION-NSFW分類器 を使用し、punsafe=0.1 および 審美スコア >= 4.5 としました。解像度 >= 512x512 の同じデータセットで、解像度 512x512 で850kステップ訓練しました。

• 768-v-ema.ckpt: 512-base-ema.ckpt から再開し、同じデータセットで v-objective を使用して150kステップ訓練しました。データセットの 768x768 サブセットでさらに140kステップ訓練しました。

• 512-depth-ema.ckpt: 512-base-ema.ckpt から再開し、200kステップの微調整を行いました。MiDaS (dpt_hybrid) によって生成された（相対的な）深度予測を処理するための追加の入力チャンネルを追加し、追加の条件付けとして使用しました。この追加情報を処理するU-Netの追加入力チャンネルは、ゼロ初期化されています。

• 512-inpainting-ema.ckpt: 512-base-ema.ckpt から再開し、さらに200kステップ訓練しました。LAMA で提示されたマスク生成戦略に従い、マスクされた画像の潜在VAE表現と組み合わせて、追加の条件付けとして使用しました。この追加情報を処理するU-Netの追加入力チャンネルは、ゼロ初期化されています。同じ戦略が 1.5-inpaintingチェックポイント の訓練にも使用されています。

• x4-upscaling-ema.ckpt: LAIONの10Mサブセットで、画像 >2048x2048 を含むものを使用して1.25Mステップ訓練しました。このモデルは、サイズ 512x512 のクロップで訓練されており、テキストガイド付きの 潜在アップスケーリング拡散モデル です。テキスト入力に加えて、noise_level を入力パラメータとして受け取り、事前定義された拡散スケジュール に従って低解像度入力にノイズを追加するために使用できます。

• 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: 1

• 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）と50ステップのDDIMサンプリングステップを使用した評価では、チェックポイントの相対的な改善が示されています。

50 DDIMステップとCOCO2017検証セットからの10000個のランダムなプロンプトを使用して評価し、解像度512x512で評価しました。FIDスコアを最適化していません。

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使用して、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: 200000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（消費電力 x 時間 x 電力グリッドの位置に基づく炭素排出量）: 15000 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、Patrick Esser、およびDavid Haによって作成され、Stable Diffusion v1 および DALL-E Miniモデルカード に基づいています。