Stable Diffusion Variants

🚀 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、分類器なしガイダンスサンプリングを改善するために、テキスト条件付けを10%削除しました。

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

Diffusers

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での例については、こちらの手順を参照してください。

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. こちらの手順に従います。

✨ 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

モデルの詳細

@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。
• 教育や創造的なツールでのアプリケーション。
• 生成モデルの研究。

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。

誤用と悪意のある使用

このモデルを、個人に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。
• 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

• モデルは完全な写真的リアリズムを達成しません。
• モデルは読める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」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。
• 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、これには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は追加の対策が取られていません。その結果、訓練データで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、これは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、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。

安全モジュール

このモデルの意図された使用方法は、Diffusersの安全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テンツの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の埋め込み空間で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、各不適切なコンテンツの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) とそのサブセット（次のセクションを参照）

訓練手順

Stable Diffusion v1-5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、

• 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、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。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、および分類器なしガイダンスサンプリングを改善するためにテキスト条件付けを10%削除。

• 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、および分類器なしガイダンスサンプリングを改善するためにテキスト条件付けを10%削除。

• 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、および分類器なしガイダンスサンプリングを改善するためにテキスト条件付けを10%削除。

• stable-diffusion-inpainting stable-diffusion-v1-5 から再開 - その後、解像度512x512で「laion-aesthetics v2 5+」で440,000ステップのインペイント訓練、およびテキスト条件付けを10%削除。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、その重みは非インペイントチェックポイントを復元した後にゼロ初期化されます。訓練中、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

• オプティマイザー: AdamW

• 勾配累積: 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、その後一定に保たれます。

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スコアは最適化されていません。

環境への影響

Stable Diffusion v1の推定排出量

この情報に基づいて、Lacoste et al. (2019)で提示された機械学習の環境影響計算機を使用して、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、およびコンピューティングリージョンは、炭素影響の推定に使用されました。

• 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
• コンピューティングリージョン: US-east
• 排出された炭素（電力消費量 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}
    }

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モデルカードに基づいています。

📄 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、さらに権利と使用方法が明確に規定されています。

CreativeML OpenRAILライセンスでは、以下のことが規定されています。

1. 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、モデルを商用および/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必要があることに注意してください（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、こちらを注意深く読んでください。