Stable Diffusion V1 5 Inpainting

🚀 Stable Diffusion Inpainting 模型

Stable Diffusion Inpainting 是一個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，還具備通過使用掩碼進行圖像修復的額外能力。

🚀 快速開始

本倉庫正按照 CreativeML OpenRAIL - M 許可證 重新上傳至 HuggingFace。此許可證最初用於上傳本倉庫，特別是 第二節 授予了以下權利：

... 一項永久的、全球性的、非排他性的、免費的、免版稅的、不可撤銷的版權許可，用於複製、準備、公開展示、公開表演、轉授權和分發補充材料、模型以及模型的衍生作品。

請注意，這些文件並非來自 HuggingFace，而是來自 [modelscope](https://www.modelscope.cn/models/AI - ModelScope/stable - diffusion - inpainting/files)。因此，原始倉庫中存在的某些文件可能在此處缺失。文件完整性已通過校驗和驗證。

✨ 主要特性

• 能夠根據文本輸入生成逼真的圖像。
• 具備圖像修復功能，可通過掩碼對圖像進行修改。

📦 安裝指南

文檔中未提及具體安裝步驟，可參考相關庫的官方文檔進行安裝，如 🧨Diffusers 庫。

💻 使用示例

基礎用法

from diffusers import StableDiffusionInpaintPipeline

pipe = StableDiffusionInpaintPipeline.from_pretrained(
    "benjamin-paine/stable-diffusion-v1-5-inpainting",
    variant="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")

高級用法

文檔中未提及高級用法示例。

使用示例圖示

How it works:

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}
}

用途

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：本節內容取自 [DALLE - MINI 模型卡片](https://huggingface.co/dalle - mini/dalle - mini)，但同樣適用於 Stable Diffusion v1。

該模型不應被用於故意創建或傳播為人們創造敵對或疏離環境的圖像。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物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：

• 生成對人或其環境、文化、宗教等的貶低、非人化或其他有害表述。
• 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。
• 未經可能看到的人同意的色情內容。
• 錯誤和虛假信息。
• 嚴重暴力和血腥的表述。
• 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 “一個紅色立方體在藍色球體上” 對應的圖像。
• 面部和人物通常可能無法正確生成。
• 模型主要使用英文字幕進行訓練，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](https://laion.ai/blog/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存在一定程度的記憶現象。可以在 [https://rom1504.github.io/clip - retrieval/](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)](https://laion.ai/blog/laion - 5b/) 的子集上進行訓練，該數據集主要由英文描述的圖像組成。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，模型使用非英文提示生成內容的能力明顯不如使用英文提示。

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 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的噪聲與 UNet 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，它們的訓練方式如下：

• sd - v1 - 1.ckpt：在 [laion2B - en](https://huggingface.co/datasets/laion/laion2B - en) 上以分辨率 256x256 訓練 237k 步。在 [laion - high - resolution](https://huggingface.co/datasets/laion/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，過濾到原始大小 >= 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](https://github.com/christophschuhmann/improved - aesthetic - predictor) 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，並丟棄 10% 的文本條件以改進 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，並丟棄 10% 的文本條件以進行 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，並丟棄 10% 的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，並丟棄 10% 的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 步的圖像修復訓練，並丟棄 10% 的文本條件。對於圖像修復，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），其權重在恢復非圖像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，顯示了檢查點的相對改進：

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

圖像修復評估

為了評估圖像修復模型的性能，我們使用了與 LDM 論文 中相同的評估協議。由於 Stable Diffusion 圖像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、雲服務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
• 雲服務提供商：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

本倉庫遵循 The CreativeML OpenRAIL M 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](https://huggingface.co/dalle - mini/dalle - mini)。