Stable Diffusion Inpainting

🚀 Stable Diffusion Inpainting模型卡片

Stable Diffusion Inpainting是一種潛在的文本到圖像擴散模型，能夠根據任何文本輸入生成逼真的圖像，還具備使用掩碼對圖片進行修復的額外能力。

🚀 快速開始

你可以通過以下鏈接快速體驗模型： 在Spaces中打開 |

✨ 主要特性

• 能夠根據文本輸入生成逼真的圖像。
• 支持使用掩碼對圖片進行修復。

📦 安裝指南

使用Diffusers庫

from diffusers import StableDiffusionInpaintPipeline

pipe = StableDiffusionInpaintPipeline.from_pretrained(
    "sd-legacy/stable-diffusion-inpainting",
    revision="fp16",
    torch_dtype=torch.float16,
)

使用原始GitHub倉庫或AUTOMATIC1111

1. 下載權重文件 sd-v1-5-inpainting.ckpt
2. 按照 此處 的說明操作（現已棄用）。
3. 可與 AUTOMATIC1111 一起使用

💻 使用示例

基礎用法

from diffusers import StableDiffusionInpaintPipeline

pipe = StableDiffusionInpaintPipeline.from_pretrained(
    "sd-legacy/stable-diffusion-inpainting",
    revision="fp16",
    torch_dtype=torch.float16,
)
prompt = "Face of a yellow cat, high resolution, sitting on a park bench"
#image and mask_image should be PIL images.
#The mask structure is white for inpainting and black for keeping as is
image = pipe(prompt=prompt, image=image, mask_image=mask_image).images[0]
image.save("./yellow_cat_on_park_bench.png")

效果展示

工作原理：

image	mask_image

prompt	Output
Face of a yellow cat, high resolution, sitting on a park bench

📚 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。
• 對生成模型的研究。

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他人造成敵對或排斥環境的圖像。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事實或真實的人物或事件表示，因此使用該模型生成此類內容超出了其能力範圍。
• 濫用和惡意使用：使用該模型生成對個人殘忍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們或其環境、文化、宗教等的表示。
  • 故意推廣或傳播歧視性內容或有害刻板印象。
  • 在未經他人同意的情況下冒充他人。
  • 未經可能看到該內容的人的同意生成性內容。
  • 虛假和誤導性信息。
  • 令人髮指的暴力和血腥場面的表示。
  • 違反版權或許可材料使用條款的共享行為。
  • 違反版權或許可材料使用條款對其進行修改後的內容共享。

侷限性和偏差

侷限性

• 模型無法實現完美的照片級真實感。
• 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 “一個紅色立方體放在藍色球體上” 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。
• 未採取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。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的能力。

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是一個潛在擴散模型，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。在訓練過程中：

• 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中的噪聲與UNet的預測之間的重建目標。

目前提供六個檢查點，sd-v1-1.ckpt、sd-v1-2.ckpt、sd-v1-3.ckpt、sd-v1-4.ckpt、sd-v1-5.ckpt 和 sd-v1-5-inpainting.ckpt，訓練方式如下：

• sd-v1-1.ckpt：在 laion2B-en 上以分辨率 256x256 訓練237k步。在 laion-high-resolution（來自LAION-5B的170M個分辨率 >= 1024x1024 的示例）上以分辨率 512x512 訓練194k步。
• sd-v1-2.ckpt：從 sd-v1-1.ckpt 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 訓練515k步。
• sd-v1-3.ckpt：從 sd-v1-2.ckpt 繼續訓練。在 “laion-improved-aesthetics” 上以分辨率 512x512 訓練195k步，並在10%的步驟中去除文本條件以改進 無分類器引導採樣。
• sd-v1-4.ckpt：從stable-diffusion-v1-2繼續訓練。在 “laion-aesthetics v2 5+” 上以分辨率512x512訓練225,000步，並在10%的步驟中去除文本條件以進行 無分類器引導採樣。
• sd-v1-5.ckpt：從sd-v1-2.ckpt繼續訓練。在 “laion-aesthetics v2 5+” 上以分辨率512x512訓練595k步，並在10%的步驟中去除文本條件以改進無分類器引導採樣。
• sd-v1-5-inpaint.ckpt：從sd-v1-2.ckpt繼續訓練。在 “laion-aesthetics v2 5+” 上以分辨率512x512訓練595k步，並在10%的步驟中去除文本條件以改進無分類器引導採樣。然後在 “laion-aesthetics v2 5+” 上以分辨率512x512進行440k步的修復訓練，並在10%的步驟中去除文本條件。對於修復，UNet有5個額外的輸入通道（4個用於編碼的掩碼圖像，1個用於掩碼本身），其權重在恢復非修復檢查點後初始化為零。在訓練過程中，我們生成合成掩碼，並在25%的情況下對所有內容進行掩碼。

訓練硬件和參數

• 硬件：32 x 8 x A100 GPUs
• 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步PLMS採樣進行評估，結果顯示了各檢查點的相對改進：

評估使用50步PLMS採樣和來自COCO2017驗證集的10000個隨機提示，在512x512分辨率下進行。未針對FID分數進行優化。

修復評估

為了評估修復模型的性能，我們使用了與 LDM論文 中相同的評估協議。由於Stable Diffusion修復模型接受文本輸入，我們簡單地使用固定提示 photograph of a beautiful empty scene, highest quality settings。

環境影響

Stable Diffusion v1 估計排放量

基於上述信息，我們使用 Lacoste等人（2019） 提出的 機器學習影響計算器 估計了以下CO2排放量。硬件、運行時間、雲服務提供商和計算區域用於估計碳影響。

• 硬件類型：A100 PCIe 40GB
• 使用時長：150000小時
• 雲服務提供商：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 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}
    }

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