Stable Diffusion V1 5 Img2img

🚀 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ブログをご覧ください。

Stable-Diffusion-v1-5 チェックポイントは、Stable-Diffusion-v1-2 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595kステップ、「laion-aesthetics v2 5+」で微調整され、テキスト条件付けを10%ドロップして、分類器なしガイダンスサンプリングを改善しました。

これは、🧨DiffusersライブラリとRunwayML GitHubリポジトリの両方で使用できます。

🚀 クイックスタート

💻 使用例

基本的な使用法

from diffusers import StableDiffusionPipeline
import torch

model_id = "runwayml/stable-diffusion-v1-5"
pipe = StableDiffusionPipeline.from_pretrained(model_id, 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")

より詳細な手順、使用例、およびJAXの例については、こちらの手順に従ってください。

オリジナルのGitHubリポジトリ

1. 重みをダウンロードします。
   • v1-5-pruned-emaonly.ckpt - 4.27GB、emaのみの重み。VRAMの使用量が少なく、推論に適しています。
   • v1-5-pruned.ckpt - 7.7GB、ema + 非emaの重み。VRAMの使用量が多く、微調整に適しています。
2. こちらの手順に従ってください。

✨ 主な機能

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。

📚 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}
}

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展開。
• 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。

除外される使用法については、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

注: このセクションは、DALLE-MINIモデルカードから引用されていますが、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の生成が含まれます。

想定外の使用

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、このモデルを使用してそのようなコンテンツを生成することは、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。
• 誤情報と偽情報。
• 重大な暴力や残虐行為の表現。
• 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

• 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。
• このモデルの自動符号化部分は損失があります。
• このモデルは、成人向けの素材を含む大規模なデータセットLAION-5Bで訓練されており、追加の安全メカニズムと考慮なしでは製品での使用に適していません。
• データセットの重複排除に追加の対策は使用されていません。その結果、訓練データに重複す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、主に英語の説明に限定された画像から構成されるLAION-2B(en)のサブセットで訓練されています。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、このモデルが英語以外のプロンプトでコンテンツを生成する能力は、英語のプロンプトと比較して大幅に劣ります。

セーフティモジュール

このモデルの意図された使用法は、Diffusersのセーフティチェッカーを使用することです。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不適切なコンセプトと照合することで機能します。これらのコンセプトは、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、画像生成後の CLIPTextModel の埋め込み空間で有害なコンセプトのクラス確率を比較します。これらのコンセプトは、生成された画像とともにモデルに渡され、各不適切なコンセプトの手動で設計された重みと比較されます。

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 v1-5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、以下のようになります。

• 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的です。

現在、6つのStable Diffusionチェックポイントが提供されており、以下のようにトレーニングされています。

• 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。ウォーターマークの推定はLAION-5Bのメタデータから、美学スコアは改良された美学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%ドロップして、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%ドロップして、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-v1-5 stable-diffusion-v1-2 から再開 - 「laion-aesthetics v2 5+」で解像度 512x512 で595,000ステップ、テキスト条件付けを10%ドロップして、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-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トトレーニングを行い、テキスト条件付けを10%ドロップしました。インペイントの場合、UNetには5つの追加の入力チャネル（エンコードされたマスク画像用の4つとマスク自体用の1つ）があり、非インペイントチェックポイントを復元した後、その重みはゼロで初期化されます。トレーニング中、合成マスクを生成し、25%のマスク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 PNDM/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。

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、50 PLMSステップで評価され、解像度512x512で評価されました。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ました。

• 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く炭素排出量）: 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}
    }

📄 ライセンス

このモデルはオープンアクセスであり、すべての人が利用できます。CreativeML OpenRAIL-Mライセンスにより、権利と使用方法がさらに明確に規定されています。

CreativeML OpenRAILライセンスは、以下のことを規定しています。

1. このモデルを使用して、違法または有害な出力やコンテンツを意図的に生成または共有してはなりません。
2. CompVisは、あなたが生成した出力に対して何らの権利も主張しません。あなたは自由にそれらを使用でき、その使用について責任を負い、ライセンスに定められた規定に違反してはなりません。
3. あなたは、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、ライセンス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）。

完全なライセンスをこちらで注意深くお読みください。https://huggingface.co/spaces/CompVis/stable-diffusion-license