Stable Diffusion V 1 3 Original

🚀 Stable Diffusion v1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。該模型為圖像生成領域帶來了革新，讓用戶僅通過文本描述就能創造出高質量的圖像。

🚀 快速開始

下載權重

• sd-v1-3.ckpt
• sd-v1-3-full-ema.ckpt

這些權重旨在與原始的 CompVis Stable Diffusion代碼庫 一起使用。如果您正在尋找與D🧨iffusers庫一起使用的模型，請 點擊此處。

✨ 主要特性

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。

📚 詳細文檔

模型詳情

@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} 
}

使用說明

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。
• 對生成模型的研究。

排除的使用情況如下所述。

濫用、惡意使用和超出範圍的使用

注意：本節內容摘自 DALLE-MINI模型卡片，但同樣適用於Stable Diffusion v1。

該模型不應被用於故意創建或傳播對人造成敵對或疏離環境的圖像。這包括生成人們可預見會覺得不安、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：該模型未經過訓練以真實或準確地表示人或事件，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傷害人或其環境、文化、宗教等的表現形式。
  • 故意推廣或傳播歧視性內容或有害的刻板印象。
  • 在未經個人同意的情況下冒充個人。
  • 在可能看到的人未同意的情況下生成性內容。
  • 錯誤信息和虛假信息。
  • 令人髮指的暴力和血腥的表現形式。
  • 違反版權或許可材料的使用條款共享此類材料。
  • 違反版權或許可材料的使用條款共享對其進行修改的內容。

侷限性和偏差

侷限性

• 該模型無法實現完美的照片級真實感。
• 該模型無法渲染清晰可讀的文本。
• 該模型在涉及組合性的更困難任務上表現不佳，例如渲染與“一個紅色立方體放在藍色球體上”對應的圖像。
• 面部和一般人物可能無法正確生成。
• 該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。
• 該模型的自動編碼部分是有損的。
• 該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，我們觀察到對於訓練數據中重複的圖像存在一定程度的記憶現象。可以在 https://rom1504.github.io/clip-retrieval/ 上搜索訓練數據，以可能有助於檢測記憶的圖像。

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，該子集主要由限於英語描述的圖像組成。來自使用其他語言的社區和文化的文本和圖像可能沒有得到充分考慮。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值。此外，該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的能力。

訓練

訓練數據

模型開發者使用以下數據集對模型進行訓練：

• LAION-2B (en) 及其子集（見下一節）

訓練過程

Stable Diffusion v1是一種潛在擴散模型，它將自動編碼器與在自動編碼器的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。自動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的噪聲與UNet的預測之間的重建目標。

我們目前提供三個檢查點，sd-v1-1.ckpt、sd-v1-2.ckpt 和 sd-v1-3.ckpt，它們的訓練方式如下：

• sd-v1-1.ckpt：在 laion2B-en 上以 256x256 分辨率訓練237k步。在 laion-high-resolution（來自LAION-5B的170M個分辨率 >= 1024x1024 的示例）上以 512x512 分辨率訓練194k步。

• sd-v1-2.ckpt：從 sd-v1-1.ckpt 恢復訓練。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 512x512 分辨率訓練515k步。

• sd-v1-3.ckpt：從 sd-v1-2.ckpt 恢復訓練。在 "laion-improved-aesthetics" 上以 512x512 分辨率訓練195k步，並以10%的概率丟棄文本條件以改進 無分類器引導採樣。

• 硬件：32 x 8 x A100 GPU

• 優化器：AdamW

• 梯度累積：2

• 批次大小：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

基於這些信息，我們使用 Lacoste等人（2019） 中提出的 機器學習影響計算器 估計了以下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
• 使用時間：150000小時
• 雲提供商：AWS
• 計算區域：美國東部
• 碳排放（功耗 x 時間 x 基於電網位置產生的碳）：11250 kg CO2當量

📄 許可證

本模型採用 CreativeML OpenRAIL M許可證。該許可證是一種 Open RAIL M許可證，改編自 BigScience 和 RAIL Initiative 在負責任的AI許可領域的聯合工作。

該模型是開放訪問的，所有人都可以使用，CreativeML OpenRAIL-M許可證進一步規定了權利和使用方式。CreativeML OpenRAIL許可證規定：

1. 您不能使用該模型故意產生或分享非法或有害的輸出或內容。
2. 作者對您生成的輸出不主張任何權利，您可以自由使用它們，並對其使用負責，其使用不得違反許可證中規定的條款。
3. 您可以重新分發權重，並將模型用於商業用途和/或作為服務。如果您這樣做，請注意您必須包含與許可證中相同的使用限制，並向所有用戶分享一份CreativeML OpenRAIL-M許可證（請完整仔細閱讀許可證）。

請在此處仔細閱讀完整的許可證：https://huggingface.co/spaces/CompVis/stable-diffusion-license