Stable Diffusion 2

🚀 Stable Diffusion v2模型介紹

Stable Diffusion v2是一款基於文本生成圖像的模型，可根據文本提示生成和修改圖像。它在圖像生成領域具有廣泛的應用，如藝術創作、設計等。

🚀 快速開始

使用 stablediffusion 倉庫

下載 768-v-ema.ckpt 文件，鏈接：點擊下載。

使用 🧨 diffusers 庫

安裝依賴庫：

pip install diffusers transformers accelerate scipy safetensors

運行示例代碼：

from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler
import torch

model_id = "stabilityai/stable-diffusion-2"

# 使用 Euler 調度器
scheduler = EulerDiscreteScheduler.from_pretrained(model_id, subfolder="scheduler")
pipe = StableDiffusionPipeline.from_pretrained(model_id, scheduler=scheduler, torch_dtype=torch.float16)
pipe = pipe.to("cuda")

prompt = "a photo of an astronaut riding a horse on mars"
image = pipe(prompt).images[0]
    
image.save("astronaut_rides_horse.png")

⚠️ 重要提示

儘管 xformers 不是必需依賴庫，但我們強烈建議安裝它以實現內存高效注意力（提高性能），安裝鏈接：xformers。

如果你可用的 GPU 顯存較低，請在將模型發送到 cuda 後添加 pipe.enable_attention_slicing() 以減少顯存使用（但會降低速度）。

✨ 主要特性

• 文本到圖像生成：根據文本提示生成高質量圖像。
• 多分辨率支持：支持不同分辨率的圖像生成。
• 可擴展性：可通過不同的檢查點進行微調。

📦 安裝指南

使用 diffusers 庫時，運行以下命令安裝依賴：

pip install diffusers transformers accelerate scipy safetensors

📚 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

直接用途

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。
• 藝術作品生成及在設計和其他藝術過程中的應用。
• 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會給人們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

該模型並非用於生成真實或準確反映人物或事件的內容，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酷的內容屬於濫用行為，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、宗教等的內容。
• 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他人。
• 未經可能看到該內容的人的同意生成色情內容。
• 虛假和誤導性信息。
• 嚴重暴力和血腥內容的呈現。
• 違反使用條款分享受版權保護或有許可的材料。
• 違反使用條款分享對受版權保護或有許可的材料進行修改後的內容。

侷限性和偏差

侷限性

• 模型無法實現完美的照片寫實效果。
• 模型無法渲染清晰可讀的文本。
• 模型在涉及組合性的更復雜任務上表現不佳，例如渲染對應 “A red cube on top of a blue sphere” 的圖像。
• 面部和人物的生成可能不夠理想。
• 模型主要使用英語字幕進行訓練，在其他語言上的效果不佳。
• 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、暴力和色情內容。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 主要在 LAION-2B(en) 的子集上進行訓練，該子集的圖像僅限於英語描述。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，因為白人及西方文化常被設定為默認。此外，模型使用非英語提示生成內容的能力明顯不如使用英語提示。Stable Diffusion v2 在很大程度上反映並加劇了這種偏差，無論輸入及其意圖如何，都建議用戶謹慎使用。

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 檢測器進行進一步過濾，“p_unsafe” 分數為 0.1（保守設置）。更多詳情請參考 LAION-5B 的 NeurIPS 2022 論文及相關評審討論。

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潛在空間中訓練的擴散模型相結合。訓練過程如下：

• 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的噪聲與 UNet 預測之間的重建目標。我們還使用了所謂的 v-objective，詳情見 論文。

目前提供以下檢查點：

• 512-base-ema.ckpt：在 LAION-5B 的一個子集上進行 550k 步訓練，分辨率為 256x256，該子集使用 LAION-NSFW 分類器 過濾掉明確的色情內容，punsafe=0.1 且 美學分數 >= 4.5。在相同數據集上，分辨率 >= 512x512 時進行 850k 步訓練。
• 768-v-ema.ckpt：從 512-base-ema.ckpt 恢復訓練，在相同數據集上使用 v-objective 進行 150k 步訓練。在 768x768 圖像子集上再進行 140k 步訓練。
• 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) 生成的（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 恢復訓練並進行 200k 步訓練。遵循 LAMA 提出的掩碼生成策略，結合掩碼圖像的潛在 VAE 表示作為額外條件。處理此額外信息的 U-Net 額外輸入通道初始化為零。與 1.5-inpainting 檢查點 使用相同的訓練策略。
• x4-upscaling-ema.ckpt：在包含 >2048x2048 圖像的 LAION 10M 子集上進行 1250k 步訓練。模型在大小為 512x512 的裁剪圖像上進行訓練，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。

訓練硬件和參數

• 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 10,000 步內預熱至 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，結果顯示了不同檢查點的相對改進：

評估使用 50 步 DDIM 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。

環境影響

Stable Diffusion v1 估計排放量

根據相關信息，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。使用硬件、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
• 使用時長：200000 小時
• 雲服務提供商：AWS
• 計算區域：US-east
• 碳排放（功耗 x 時間 x 基於電網位置的碳排放係數）：15000 kg CO2 eq.

🔧 技術細節

Stable Diffusion v2 是一個潛在擴散模型，結合了自動編碼器和在自動編碼器潛在空間中訓練的擴散模型。在訓練過程中，圖像通過編碼器轉換為潛在表示，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 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，同時使用了 v-objective。

📄 許可證

該模型使用 CreativeML Open RAIL++-M License 許可證。