Stable Diffusion V1 3

🚀 Stable Diffusion v1-3模型卡片

Stable Diffusion是一種潛在文本到圖像的擴散模型，能夠根據任何文本輸入生成逼真的圖像。有關Stable Diffusion的工作原理，請查看🤗的Stable Diffusion with D🧨iffusers博客。

Stable-Diffusion-v1-3檢查點使用Stable-Diffusion-v1-2檢查點的權重進行初始化，隨後在分辨率為512x512的“laion-improved-aesthetics”上進行了195,000步的微調，並以10%的概率丟棄文本條件，以改進無分類器引導採樣。更多信息請參考訓練部分。

此處的權重旨在與D🧨iffusers庫一起使用。如果你正在尋找要加載到CompVis Stable Diffusion代碼庫中的權重，請點擊此處。

✨ 主要特性

• 能夠根據文本輸入生成逼真的圖像。
• 基於潛在擴散模型，結合了自編碼器和擴散模型。
• 可通過調整參數和調度器來控制生成過程。

📦 安裝指南

我們建議使用🤗的Diffusers庫來運行Stable Diffusion。

pip install --upgrade diffusers transformers scipy

💻 使用示例

基礎用法

使用默認的PNDM調度器運行管道：

import torch
from torch import autocast
from diffusers import StableDiffusionPipeline

model_id = "CompVis/stable-diffusion-v1-3"
device = "cuda"

pipe = StableDiffusionPipeline.from_pretrained(model_id)
pipe = pipe.to(device)

prompt = "a photo of an astronaut riding a horse on mars"
with autocast("cuda"):
    image = pipe(prompt, guidance_scale=7.5)["sample"][0]  
    
image.save("astronaut_rides_horse.png")

高級用法

低顯存使用

如果你受GPU內存限制，可用的GPU RAM少於10GB，請確保以float16精度而不是上述默認的float32精度加載StableDiffusionPipeline。你可以通過告訴diffusers期望權重為float16精度來實現：

import torch

pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to(device)

prompt = "a photo of an astronaut riding a horse on mars"
with autocast("cuda"):
    image = pipe(prompt, guidance_scale=7.5)["sample"][0]  
    
image.save("astronaut_rides_horse.png")

更換噪聲調度器

要更換噪聲調度器，請將其傳遞給from_pretrained：

from diffusers import StableDiffusionPipeline, LMSDiscreteScheduler

model_id = "CompVis/stable-diffusion-v1-3"
# 此處使用K-LMS調度器
scheduler = LMSDiscreteScheduler(beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000)
pipe = StableDiffusionPipeline.from_pretrained(model_id, scheduler=scheduler, use_auth_token=True)
pipe = pipe.to("cuda")

prompt = "a photo of an astronaut riding a horse on mars"
with autocast("cuda"):
    image = pipe(prompt, guidance_scale=7.5)["sample"][0]  
    
image.save("astronaut_rides_horse.png")

📚 詳細文檔

模型詳情

使用方式

直接使用

該模型僅用於研究目的。可能的研究領域和任務包括：

• 安全部署有可能生成有害內容的模型。
• 探索和理解生成模型的侷限性和偏差。
• 生成藝術作品並用於設計和其他藝術過程。
• 在教育或創意工具中的應用。
• 生成模型的研究。

濫用、惡意使用和超出範圍的使用

此模型不應被用於故意創建或傳播對人造成敵對或疏遠環境的圖像。這包括生成人們可預見會感到不安、痛苦或冒犯的圖像，或傳播歷史或當前刻板印象的內容。

• 超出範圍的使用：該模型並非用於生成對人或事件的事實或真實表述，因此使用該模型生成此類內容超出了該模型的能力範圍。
• 濫用和惡意使用：使用該模型生成對個人殘酷的內容是對該模型的濫用。這包括但不限於：
  • 生成貶低、非人化或以其他方式有害的人物或其環境、文化、宗教等的表述。
  • 故意推廣或傳播歧視性內容或有害刻板印象。
  • 在未經個人同意的情況下冒充個人。
  • 未經可能看到該內容的人的同意而發佈性內容。
  • 錯誤信息和虛假信息。
  • 令人震驚的暴力和血腥場面的表述。
  • 違反版權或許可材料使用條款的共享。
  • 違反版權或許可材料使用條款的修改內容的共享。

侷限性和偏差

侷限性

• 模型無法實現完美的照片級逼真度。
• 模型無法渲染清晰可讀的文本。
• 模型在涉及組合性的更困難任務上表現不佳，例如渲染與“A red cube on top of a blue sphere”對應的圖像。
• 面部和人物一般可能無法正確生成。
• 模型主要使用英語字幕進行訓練，在其他語言中的效果不佳。
• 模型的自動編碼部分存在信息損失。
• 模型在大規模數據集LAION-5B上進行訓練，該數據集包含成人內容，在沒有額外安全機制和考慮的情況下不適合產品使用。
• 未使用額外措施對數據集進行去重。因此，我們觀察到對訓練數據中重複的圖像有一定程度的記憶。可以在https://rom1504.github.io/clip-retrieval/上搜索訓練數據，以幫助檢測記憶的圖像。

偏差

雖然圖像生成模型的能力令人印象深刻，但它們也可能強化或加劇社會偏差。Stable Diffusion v1在LAION-2B(en)的子集上進行訓練，該子集主要由英語描述的圖像組成。使用其他語言的社區和文化的文本和圖像可能未得到充分考慮。這影響了模型的整體輸出，因為白人和西方文化通常被設定為默認。此外，模型使用非英語提示生成內容的能力明顯低於使用英語提示。

訓練

訓練數據

模型開發者使用以下數據集進行模型訓練：

• LAION-2B (en)及其子集（見下一節）

訓練過程

Stable Diffusion v1-4是一種潛在擴散模型，它將自編碼器與在自編碼器潛在空間中訓練的擴散模型相結合。在訓練期間：

• 圖像通過編碼器進行編碼，將圖像轉換為潛在表示。自編碼器使用相對下采樣因子8，將形狀為H x W x 3的圖像映射到形狀為H/f x W/f x 4的潛在表示。
• 文本提示通過ViT-L/14文本編碼器進行編碼。
• 文本編碼器的非池化輸出通過交叉注意力輸入到潛在擴散模型的UNet主幹中。
• 損失是添加到潛在表示中的噪聲與UNet預測之間的重建目標。

我們目前提供四個檢查點，訓練方式如下：

• stable-diffusion-v1-1：在laion2B-en上以分辨率256x256進行237,000步訓練，在laion-high-resolution（來自LAION-5B的170M個分辨率>= 1024x1024的示例）上以分辨率512x512進行194,000步訓練。
• stable-diffusion-v1-2：從stable-diffusion-v1-1繼續訓練。在“laion-improved-aesthetics”（laion2B-en的一個子集，過濾為原始大小>= 512x512、估計美學分數> 5.0且估計水印概率< 0.5的圖像。水印估計來自LAION-5B元數據，美學分數使用改進的美學估計器進行估計）上以分辨率512x512進行515,000步訓練。
• stable-diffusion-v1-3：從stable-diffusion-v1-2繼續訓練。在“laion-improved-aesthetics”上以分辨率512x512進行195,000步訓練，並以10%的概率丟棄文本條件，以改進無分類器引導採樣。
• stable-diffusion-v1-4：從stable-diffusion-v1-2繼續訓練。在“laion-aesthetics v2 5+”上以分辨率512x512進行225,000步訓練，並以10%的概率丟棄文本條件，以改進無分類器引導採樣。

訓練細節

• 硬件：32 x 8 x A100 GPUs
• 優化器：AdamW
• 梯度累積：2
• 批次：32 x 8 x 2 x 4 = 2048
• 學習率：在10,000步內預熱到0.0001，然後保持不變

評估結果

使用不同的無分類器引導尺度（1.5、2.0、3.0、4.0、5.0、6.0、7.0、8.0）和50個PLMS採樣步驟進行評估，顯示了檢查點的相對改進：

使用50個PLMS步驟和來自COCO2017驗證集的10000個隨機提示進行評估，在512x512分辨率下進行評估。未針對FID分數進行優化。

環境影響

Stable Diffusion v1 估計排放量 基於該信息，我們使用Lacoste等人（2019）中提出的機器學習影響計算器估計以下CO2排放量。利用硬件、運行時間、雲提供商和計算區域來估計碳影響。

• 硬件類型：A100 PCIe 40GB
• 使用小時數：150000
• 雲提供商：AWS
• 計算區域：US-east
• 碳排放（功耗x時間x基於電網位置產生的碳）：11250 kg CO2 eq.

📄 許可證

本模型採用CreativeML OpenRAIL M許可證。請仔細閱讀完整的許可證：https://huggingface.co/spaces/CompVis/stable-diffusion-license

📖 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}
    }

本模型卡片由Robin Rombach和Patrick Esser編寫，基於DALL-E Mini模型卡片。