Stable Diffusion 2 1

🚀 Stable Diffusion v2-1模型卡片

Stable Diffusion v2-1是一款基於文本生成和修改圖像的模型。它以文本提示為基礎，利用潛在擴散模型生成高質量圖像，在圖像創作、設計等領域具有廣泛應用價值。

🚀 快速開始

• 使用stablediffusion倉庫：可從此處下載v2-1_768-ema-pruned.ckpt文件。
• 使用🧨diffusers

✨ 主要特性

• 基於擴散的文本到圖像生成模型，可根據文本提示生成和修改圖像。
• 使用固定的預訓練文本編碼器（OpenCLIP-ViT/H）的潛在擴散模型。

📦 安裝指南

使用🤗的Diffusers庫可以簡單高效地運行Stable Diffusion 2。

pip install diffusers transformers accelerate scipy safetensors

💻 使用示例

基礎用法

import torch
from diffusers import StableDiffusionPipeline, DPMSolverMultistepScheduler

model_id = "stabilityai/stable-diffusion-2-1"

# 此處使用DPMSolverMultistepScheduler (DPM-Solver++)調度器
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config)
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")

高級用法

# 儘管不是必需依賴，但強烈建議安裝[xformers](https://github.com/facebookresearch/xformers)以實現內存高效注意力機制（提升性能）
# 如果GPU顯存較低，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）
import torch
from diffusers import StableDiffusionPipeline, DPMSolverMultistepScheduler

model_id = "stabilityai/stable-diffusion-2-1"
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config)
pipe = pipe.to("cuda")
pipe.enable_attention_slicing()

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

📚 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}
}

使用說明

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：

• 安全部署有潛在生成有害內容風險的模型。
• 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

⚠️ 重要提示

該模型不得用於故意創建或傳播對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、宗教等的表述。
• 故意推廣或傳播歧視性內容或有害刻板印象。
• 未經他人同意冒充他人。
• 未經可能看到該內容的人的同意傳播性內容。
• 虛假和誤導性信息。
• 嚴重暴力和血腥場面的表述。
• 違反版權或許可材料使用條款的分享。
• 違反版權或許可材料使用條款的修改內容分享。

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，例如渲染與“A red cube on top of a blue sphere”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，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。Stable Diffusion v2反映並加劇了這種偏差，無論輸入或意圖如何，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檢測器進一步過濾，“p_unsafe”分數為0.1（保守）。更多詳情，請參考LAION-5B的NeurIPS 2022論文和相關評審討論。

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。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機制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。還使用了所謂的“v-objective”，詳見https://arxiv.org/abs/2202.00512。

目前提供以下檢查點：

• 512-base-ema.ckpt：在LAION-5B的一個子集中，分辨率為256x256時訓練550k步，該子集使用LAION-NSFW分類器過濾明確色情內容，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子集上繼續訓練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的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表示作為額外條件。處理此額外信息的U-Net的額外輸入通道初始化為零。使用相同策略訓練了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。模型在大小為512x512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：32 x 8 x 2 x 4 = 2048
• 學習率：在10000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，顯示了檢查點的相對改進：

使用50步DDIM採樣和來自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

基於該信息，使用Lacoste等人（2019）中提出的機器學習影響計算器估計以下CO2排放。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。

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、Patrick Esser和David Ha撰寫，基於Stable Diffusion v1和DALL-E Mini模型卡片。