Stable Diffusion V1 5 Archive

🚀 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595,000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Archive of 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 = "ashllay/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")

より詳細な説明、ユースケース、およびJAXの例については、こちらの説明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. こちらの説明に従います。

✨ 主な機能

Stable Diffusionは、テキスト入力から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

用途

直接的な使用

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。
• 生成モデルの研究。

除外される使用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、人々が予想される不快感、苦痛、または不快感を感じる画像の生成、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、このモデルの能力の範囲外です。

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。

• 人々またはその環境、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または有害なステレオタイプの意図的な促進または拡散。
• 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
• 重大な暴力とグロテスクな表現
• 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。
• 顔や一般的な人々は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対し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、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、このモデルが非英語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方法は、Diffusersの Safety Checker 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NSFW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、チェッカーは画像生成後の CLIPTextModel の埋め込み空間における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NSFW概念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、

• 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 classifier-free guidance sampling を改善。

• 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 classifier-free guidance sampling を改善。

• 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 classifier-free guidance sampling を改善。

• 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、テキスト条件付けを10%ドロップ。インペイントの場合、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。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、ランタイム、クラウドプロバイダー、およびコンピュートリージョンは、炭素影響を推定するために利用されました。

• 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生成): 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。