Stable Diffusion Inpainting With Handler

🚀 Stable Diffusion Inpainting

Stable Diffusion Inpaintingは、任意の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できる潜在的なテキストから画像への拡散モデルです。また、マスクを使用して画像を修復する機能も備えています。

🚀 クイックスタート

このモデルは、🧨DiffusersライブラリとRunwayML GitHubリポジトリの両方で使用できます。

💻 使用例

基本的な使用法

from diffusers import StableDiffusionInpaintPipeline

pipe = StableDiffusionInpaintPipeline.from_pretrained(
    "runwayml/stable-diffusion-inpainting",
    revision="fp16",
    torch_dtype=torch.float16,
)
prompt = "Face of a yellow cat, high resolution, sitting on a park bench"
#image and mask_image should be PIL images.
#The mask structure is white for inpainting and black for keeping as is
image = pipe(prompt=prompt, image=image, mask_image=mask_image).images[0]
image.save("./yellow_cat_on_park_bench.png")

動作原理:

image	mask_image

prompt	Output
Face of a yellow cat, high resolution, sitting on a park bench

高度な使用法

Original GitHubリポジトリを使用する場合:

1. 重み sd-v1-5-inpainting.ckpt をダウンロードします。
2. こちら の手順に従います。

✨ 主な機能

• 任意の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できます。
• マスクを使用して画像を修復する機能があります。

📚 ドキュメント

モデル詳細

使用方法

直接使用

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。
• 教育用または創造的なツールへの応用。
• 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

このモデルを使用して、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配布してはいけません。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、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を生成すること。
• 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広めること。
• 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コンテンツ。
• 誤情報や偽情報。
• 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

• モデルは完全な写真のようなリアリズムを達成できません。
• 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。
• モデルは、「青い球の上に赤い立方体」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。
• 顔や人物全体が適切に生成されない場合があります。
• 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。
• モデルの自動符号化部分は損失があります。
• 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追加の対策は取られていません。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、白人や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。

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) とそのサブセット (次のセクションを参照)

訓練手順

Stable Diffusion v1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。訓練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による予測の間の再構成目的です。

現在、sd-v1-1.ckpt, sd-v1-2.ckpt, sd-v1-3.ckpt, sd-v1-4.ckpt, sd-v1-5.ckpt, sd-v1-5-inpainting.ckpt の6つのチェックポイントを提供しています。これらは以下のように訓練されています。

• sd-v1-1.ckpt: laion2B-en で解像度 256x256 で237kステップの訓練。laion-high-resolution (LAION-5Bから解像度 >= 1024x1024 の170Mの例) で解像度 512x512 で194kステップの訓練。

• sd-v1-2.ckpt: sd-v1-1.ckpt 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ています。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 improved aesthetics estimator を使用して推定されています) で解像度 512x512 で515kステップの訓練。

• sd-v1-3.ckpt: sd-v1-2.ckpt から再開。"laion-improved-aesthetics" で解像度 512x512 で195kステップの訓練。また、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を10%ドロップ。

• sd-v1-4.ckpt: stable-diffusion-v1-2.225,000 ステップから再開。"laion-aesthetics v2 5+" で解像度 512x512 で225,000ステップの訓練。また、classifier-free guidance sampling のためにテキストコンディショニングを10%ドロップ。

• sd-v1-5.ckpt: sd-v1-2.ckpt から再開。"laion-aesthetics v2 5+" で解像度 512x512 で595kステップの訓練。また、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を10%ドロップ。

• sd-v1-5-inpaint.ckpt: sd-v1-2.ckpt から再開。"laion-aesthetics v2 5+" で解像度 512x512 で595kステップの訓練。また、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を10%ドロップ。その後、"laion-aesthetics v2 5+" で解像度 512x512 で440kステップの修復訓練。修復のために、UNetには追加の5つの入力チャネル (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、その重みは非修復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 GPUs

• オプティマイザー: AdamW

• 勾配蓄積: 2

• バッチサイズ: 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 PLMS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。

評価は、50 PLMS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、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。

修復評価

修復モデルの性能を評価するために、LDM paper と同じ評価プロトコルを使用しました。Stable Diffusion Inpainting Modelはテキスト入力を受け付けるため、固定プロンプト photograph of a beautiful empty scene, highest quality settings を使用しました。

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ました。

• ハードウェアタイプ: A10

📄 ライセンス

このモデルは The CreativeML OpenRAIL M license の下で提供されています。

⚠️ 重要提示

このモデルを取得する前に、ライセンス条項を読み、同意する必要があります。また、「Access repository」をクリックすると、あなたの 連絡先情報 (メールアドレスとユーザー名) がモデル作成者と共有されることになります。

💡 使用建议

モデルの使用に際しては、誤用や悪意のある使用を避け、ライセンス条項に従って使用してください。また、モデルの制限やバイアスを理解し、適切な使用方法を選択してください。