Stable Diffusion 2 Base

🚀 Stable Diffusion v2-baseモデルカード

このモデルカードは、Stable Diffusion v2-baseモデルに関連するモデルに焦点を当てています。このモデルはこちらで入手できます。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

• stablediffusionリポジトリで使用する場合：こちらから512-base-ema.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、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。また、さまざまな解像度での学習が行われており、高品質な画像生成が可能です。

📦 インストール

必要なライブラリのインストール

pip install diffusers transformers accelerate scipy safetensors

💻 使用例

基本的な使用法

from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler
import torch

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

# Use the Euler scheduler here instead
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

# メモリ効率の良いアテンションを使用するためにxformersをインストールすることをおすすめします
# 低GPU RAMの場合は、VRAM使用量を減らすためにpipe.enable_attention_slicing()を追加します
from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler
import torch

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

# Use the Euler scheduler here instead
scheduler = EulerDiscreteScheduler.from_pretrained(model_id, subfolder="scheduler")
pipe = StableDiffusionPipeline.from_pretrained(model_id, scheduler=scheduler, torch_dtype=torch.float16)
pipe = pipe.to("cuda")
pipe.enable_attention_slicing()

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

📚 ドキュメント

モデルの詳細

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および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応用。
• 生成モデルに関する研究。

除外される利用方法については以下で説明します。

誤用、悪意のある利用、および範囲外の利用

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であろう画像や、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。

範囲外の利用

このモデルは、人やイベントの事実的または真実の表現を生成するように学習されていないため、そ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、非人道的、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。
• 本人の同意なしでの個人のなりすまし。
• 見る人の同意なしの性的コンテンツ。
• 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的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、「青い球体の上に赤い立方体」のような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学習されており、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のサブセットで学習されており、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NSFW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（学習セクションを参照）。

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)のサブセットで学習されており、英語の説明に限定された画像から構成されています。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、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。Stable Diffusion v2は、入力やその意図に関係なく、バイアスを反映し、悪化させる程度が高いため、閲覧者の裁量が必要です。

学習

学習データ

モデル開発者は、以下のデータセットをモデルの学習に使用しました。

• LAION-5Bとそのサブセット（詳細は以下）。学習データは、LAIONのNSFW検出器を使用してさらにフィルタリングされており、「p_unsafe」スコアが0.1（保守的）です。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。

学習手順

Stable Diffusion v2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学習される拡散モデルを組み合わせた潜在拡散モデルです。学習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バックボーンに入力されます。
• 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。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、以下のチェックポイントを提供しています。

• 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ステップ学習しました。この際、LAION-NSFW分類器をpunsafe=0.1で使用し、審美スコア >= 4.5のものを選択しました。その後、同じデータセットで解像度>= 512x512の画像に対して、解像度512x512で850kステップ学習しました。
• 768-v-ema.ckpt：512-base-ema.ckptから再開し、v-objectiveを使用して同じデータセットで150kステップ学習しました。その後、データセットの768x768サブセットでさらに140kステップ学習しました。
• 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入力チャネルを追加し、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ステップ学習しました。LAMAに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学習にも使用されています。
• x4-upscaling-ema.ckpt：LAIONの10Mサブセットで、画像サイズが>2048x2048のものを使用して1.25Mステップ学習しました。モデルはサイズ512x512のクロップで学習されており、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。

学習環境

• ハードウェア：32 x 8 x A100 GPU
• オプティマイザ：AdamW
• 勾配累積：1
• 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までウォームアップし、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。

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 DDIM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、ランタイム、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：200000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 x 時間 x 電力網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。

📄 ライセンス

このモデルはCreativeML Open RAIL++-M Licenseの下で提供されています。