Coreml Stable Diffusion 2 1 Base

🚀 Stable Diffusion v2-1-base 模型卡片

Stable Diffusion v2-1-base 是一個基於文本生成圖像的模型，它在 Stable Diffusion v2-base 基礎上進行微調，能根據文本提示生成和修改圖像。同時，該模型權重已轉換為 Core ML 格式，可在 Apple Silicon 硬件上使用。

🚀 快速開始

• 搭配 🧨 diffusers 使用。
• 搭配 stablediffusion 倉庫使用：點擊 此處 下載 v2-1_512-ema-pruned.ckpt。

✨ 主要特性

• 基於文本生成圖像，可用於藝術創作、設計等領域。
• 權重轉換為 Core ML 格式，支持在 Apple Silicon 硬件上運行。
• 有 4 種 Core ML 權重變體可供選擇。

📦 安裝指南

文檔未提及具體安裝步驟，可參考相關倉庫說明進行安裝。

💻 使用示例

文檔未提供具體代碼示例，你可以參考相關倉庫獲取使用示例。

📚 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：

• 安全部署可能生成有害內容的模型。
• 探究和理解生成模型的侷限性和偏差。
• 生成藝術作品並應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使用

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。

• 超出範圍使用：模型未經過訓練以真實或準確地表示人物或事件，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們或其環境、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。
  • 未經可能看到的人的同意生成性內容。
  • 錯誤信息和虛假信息。
  • 令人震驚的暴力和血腥表現。
  • 違反版權或許可材料使用條款分享此類材料。
  • 違反版權或許可材料使用條款分享對其進行修改的內容。

侷限性和偏差

侷限性

• 模型無法實現完美的照片寫實主義。
• 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 的一個子集上進行訓練，該數據集包含成人、暴力和性內容。為部分緩解此問題，我們使用 LAION 的 NFSW 檢測器對數據集進行了過濾（見訓練部分）。

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 v2 主要在 LAION-2B(en) 的子集上進行訓練，該子集由僅限於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比使用英語提示時差。Stable Diffusion v2 反映並加劇了偏差，無論輸入或其意圖如何，都必須建議查看者謹慎使用。

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-5B 及其子集（詳情如下）。訓練數據使用 LAION 的 NSFW 檢測器進一步過濾，“p_unsafe” 分數為 0.1（保守）。有關更多詳細信息，請參考 LAION-5B 的 NeurIPS 2022 論文和關於該主題的評審討論。

訓練過程

Stable Diffusion v2 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 OpenCLIP-ViT/H 文本編碼器進行編碼。
• 文本編碼器的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。我們還使用所謂的 v-objective，見 https://arxiv.org/abs/2202.00512。

目前提供以下不同版本的檢查點：

版本 2.1

• 512-base-ema.ckpt：在 512-base-ema.ckpt 2.0 基礎上微調 220k 步，在相同數據集上 punsafe=0.98。
• 768-v-ema.ckpt：從 768-v-ema.ckpt 2.0 恢復訓練，在相同數據集上額外訓練 55k 步（punsafe=0.1），然後再以 punsafe=0.98 微調 155k 步。

版本 2.0

• 512-base-ema.ckpt：在 LAION-5B 的一個過濾了明確色情內容的子集上，以 256x256 分辨率訓練 550k 步，使用 LAION-NSFW 分類器 且 punsafe=0.1，美學分數 >= 4.5。在相同數據集上以 512x512 分辨率（分辨率 >= 512x512）訓練 850k 步。
• 768-v-ema.ckpt：從 512-base-ema.ckpt 恢復訓練，在相同數據集上使用 v-objective 訓練 150k 步。在數據集的 768x768 子集上再訓練 140k 步。
• 512-depth-ema.ckpt：從 512-base-ema.ckpt 恢復訓練並微調 200k 步。添加一個額外的輸入通道來處理 MiDaS (dpt_hybrid) 產生的（相對）深度預測，作為額外的條件。處理此額外信息的 U-Net 額外輸入通道初始化為零。
• 512-inpainting-ema.ckpt：從 512-base-ema.ckpt 恢復訓練並再訓練 200k 步。遵循 LAMA 中提出的掩碼生成策略，結合掩碼圖像的潛在 VAE 表示作為額外的條件。處理此額外信息的 U-Net 額外輸入通道初始化為零。使用相同策略訓練 1.5-inpainting 檢查點。
• x4-upscaling-ema.ckpt：在包含圖像 >2048x2048 的 LAION 的 10M 子集上訓練 1250k 步。模型在 512x512 大小的裁剪圖像上訓練，是一個文本引導的 潛在上採樣擴散模型。除了文本輸入外，它還接收一個 noise_level 作為輸入參數，可根據 預定義的擴散時間表 向低分辨率輸入添加噪聲。

訓練參數

• 硬件：32 x 8 x A100 GPUs
• 優化器：AdamW
• 梯度累積：1
• 批次大小：32 x 8 x 2 x 4 = 2048
• 學習率：在 10000 步內熱身到 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 DDIM 採樣步驟進行評估，顯示了檢查點的相對改進：

使用 50 個 DDIM 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。未針對 FID 分數進行優化。

環境影響

Stable Diffusion v1 估計排放量

根據該信息，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：200000
• 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）：15000 kg CO2 當量

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}
}

此模型卡片由 Pedro Cuenca 從 Robin Rombach、Patrick Esser 和 David Ha 撰寫的原始版本改編而來，基於 Stable Diffusion v1 和 DALL-E Mini 模型卡片。