Mobius

🚀 Mobius：重新定義去偏擴散模型的技術前沿

Mobius 是一款擴散模型，它突破了領域無關去偏和表徵重新對齊的界限。通過採用全新的建設性解構框架，Mobius 在眾多風格和領域中實現了無與倫比的泛化能力，無需從頭進行昂貴的預訓練。

🚀 快速開始

運行環境要求

• CFG 取值範圍在 3.5 到 7 之間：
  • 3.5 適用於極致寫實和皮膚細節處理。
  • 7 適用於藝術、動漫、超現實主義等風格。
• 需要 CLIP 跳過值為 -3。
• 採樣器：DPM++ 3M SDE。
• 調度器：Karras。
• 步數：50。
• 分辨率：1024x1024。

同時，建議在提示詞中使用以下關鍵詞來提升效果：最佳質量、高清、'~~美學~~'。

使用 🧨 diffusers 庫運行示例

import torch
from diffusers import (
    StableDiffusionXLPipeline, 
    KDPM2AncestralDiscreteScheduler,
    AutoencoderKL
)

# 加載 VAE 組件
vae = AutoencoderKL.from_pretrained(
    "madebyollin/sdxl-vae-fp16-fix", 
    torch_dtype=torch.float16
)

# 配置管道
pipe = StableDiffusionXLPipeline.from_pretrained(
    "Corcelio/mobius", 
    vae=vae,
    torch_dtype=torch.float16
)
pipe.scheduler = KDPM2AncestralDiscreteScheduler.from_config(pipe.scheduler.config)
pipe.to('cuda')

# 定義提示詞並生成圖像
prompt = "mystery"
negative_prompt = ""

image = pipe(
    prompt, 
    negative_prompt=negative_prompt, 
    width=1024,
    height=1024,
    guidance_scale=7,
    num_inference_steps=50,
    clip_skip=3
).images[0]


image.save("generated_image.png")

✨ 主要特性

領域無關去偏：開創性方法

領域無關去偏是由 Corcel 首創的一種新技術。這種創新方法旨在消除擴散模型中固有的偏差，同時不限制其在不同領域的泛化能力。傳統的去偏方法通常專注於特定領域或風格，導致模型難以適應新的或未見過的場景。相比之下，領域無關去偏確保模型在保持通用性和適應性的同時保持無偏性。

領域無關去偏的關鍵在於建設性解構框架。該框架允許對偏差和表徵進行細粒度的重新處理，而無需從頭進行預訓練。這一開創性方法的技術細節將在即將發表的研究論文《Constructive Deconstruction: Domain-Agnostic Debiasing of Diffusion Models》中進行討論，該論文將在 Corcel.io 網站和科學出版物上發佈。

通過應用領域無關去偏，Mobius 在圖像生成的公平性和公正性方面樹立了新的標準，同時保持了其在廣泛風格和領域的卓越適應能力。

超越當前技術水平

Mobius 在幾個關鍵方面超越了現有的先進擴散模型：

• 無偏生成：Mobius 生成的圖像幾乎沒有其他擴散模型中常見的固有偏差，為所有領域的公平性和公正性樹立了新的標杆。
• 卓越的泛化能力：憑藉其無與倫比的適應廣泛風格和領域的能力，Mobius 始終能提供高質量的結果，超越了以往模型的侷限性。
• 高效的微調：Mobius 基礎模型是創建針對特定任務或領域的專業模型的優質基礎，與其他先進模型相比，所需的微調工作量和計算資源顯著減少。

💻 使用示例

基礎用法

以下是使用 🧨 diffusers 庫調用 Mobius 模型生成圖像的基礎示例：

import torch
from diffusers import (
    StableDiffusionXLPipeline, 
    KDPM2AncestralDiscreteScheduler,
    AutoencoderKL
)

# 加載 VAE 組件
vae = AutoencoderKL.from_pretrained(
    "madebyollin/sdxl-vae-fp16-fix", 
    torch_dtype=torch.float16
)

# 配置管道
pipe = StableDiffusionXLPipeline.from_pretrained(
    "Corcelio/mobius", 
    vae=vae,
    torch_dtype=torch.float16
)
pipe.scheduler = KDPM2AncestralDiscreteScheduler.from_config(pipe.scheduler.config)
pipe.to('cuda')

# 定義提示詞並生成圖像
prompt = "mystery"
negative_prompt = ""

image = pipe(
    prompt, 
    negative_prompt=negative_prompt, 
    width=1024,
    height=1024,
    guidance_scale=7,
    num_inference_steps=50,
    clip_skip=3
).images[0]


image.save("generated_image.png")

📄 許可證

本項目採用 Apache-2.0 許可證。

📚 詳細文檔

示例提示詞與輸出

📝 致謝

本項目由 Corcel 開發 [ https://corcel.io/ ]。