Gligen 1 4 Inpainting Text Box

🚀 GLIGEN：開放式文本到圖像生成模型

GLIGEN模型能夠基於文本提示和邊界框生成和修改圖像，為圖像生成領域的研究和應用提供了強大的支持。

🚀 快速開始

我們推薦使用 🤗 的Diffusers庫 來運行GLIGEN。

PyTorch

pip install --upgrade diffusers transformers scipy

使用默認的PNDM調度器運行管道：

import torch
from diffusers import StableDiffusionGLIGENPipeline
from diffusers.utils import load_image

# 在邊界框定義的區域插入文本描述的對象
pipe = StableDiffusionGLIGENPipeline.from_pretrained(
    "masterful/gligen-1-4-inpainting-text-box", variant="fp16", torch_dtype=torch.float16
)
pipe = pipe.to("cuda")

input_image = load_image(
    "https://hf.co/datasets/huggingface/documentation-images/resolve/main/diffusers/gligen/livingroom_modern.png"
)
prompt = "a birthday cake"
boxes = [[0.2676, 0.6088, 0.4773, 0.7183]]
phrases = ["a birthday cake"]

images = pipe(
    prompt=prompt,
    gligen_phrases=phrases,
    gligen_inpaint_image=input_image,
    gligen_boxes=boxes,
    gligen_scheduled_sampling_beta=1,
    output_type="pil",
    num_inference_steps=50,
).images

images[0].save("./gligen-1-4-inpainting-text-box.jpg")

✨ 主要特性

• 開放式文本到圖像生成：基於文本提示和邊界框生成和修改圖像。
• 條件輸入生成：可以根據文本和邊界框條件生成逼真的圖像。
• 圖像插入功能：可以在輸入圖像的指定區域插入文本描述的對象。

📦 安裝指南

使用以下命令安裝所需的庫：

pip install --upgrade diffusers transformers scipy

💻 使用示例

基礎用法

import torch
from diffusers import StableDiffusionGLIGENPipeline
from diffusers.utils import load_image

# 在邊界框定義的區域插入文本描述的對象
pipe = StableDiffusionGLIGENPipeline.from_pretrained(
    "masterful/gligen-1-4-inpainting-text-box", variant="fp16", torch_dtype=torch.float16
)
pipe = pipe.to("cuda")

input_image = load_image(
    "https://hf.co/datasets/huggingface/documentation-images/resolve/main/diffusers/gligen/livingroom_modern.png"
)
prompt = "a birthday cake"
boxes = [[0.2676, 0.6088, 0.4773, 0.7183]]
phrases = ["a birthday cake"]

images = pipe(
    prompt=prompt,
    gligen_phrases=phrases,
    gligen_inpaint_image=input_image,
    gligen_boxes=boxes,
    gligen_scheduled_sampling_beta=1,
    output_type="pil",
    num_inference_steps=50,
).images

images[0].save("./gligen-1-4-inpainting-text-box.jpg")

📚 詳細文檔

模型詳情

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。
• 生成模型的研究。

濫用、惡意使用和超出範圍的使用

該模型不應被用於故意創建或傳播對人造成敵對或排斥環境的圖像。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。
  • 未經可能看到該內容的人的同意而生成性內容。
  • 虛假信息和錯誤信息。
  • 表現嚴重暴力和血腥場面。
  • 違反版權或許可材料的使用條款進行分享。
  • 違反版權或許可材料的使用條款對其進行修改後分享。

侷限性和偏差

侷限性

• 模型無法實現完美的逼真度。
• 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 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。
• 數據集未進行去重處理，因此對於訓練數據中重複的圖像會有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) 的子集上進行訓練，該數據集主要由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值。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的能力。

安全模塊

該模型的預期用途是與Diffusers中的 安全檢查器 一起使用。該檢查器通過將模型輸出與已知的硬編碼NSFW概念進行比較來工作。這些概念被故意隱藏，以降低反向工程此過濾器的可能性。具體來說，檢查器在圖像生成後，在 CLIPTextModel 的嵌入空間中比較有害概念的類概率。這些概念與生成的圖像一起傳入模型，並與每個NSFW概念的手工設計權重進行比較。

訓練

更多詳細信息請參考 GLIGEN。

引用

    @article{li2023gligen,
      author      = {Li, Yuheng and Liu, Haotian and Wu, Qingyang and Mu, Fangzhou and Yang, Jianwei and Gao, Jianfeng and Li, Chunyuan and Lee, Yong Jae},
      title       = {GLIGEN: Open-Set Grounded Text-to-Image Generation},
      publisher   = {arXiv:2301.07093},
      year        = {2023},
    }

本模型卡片由 Nikhil Gajendrakumar 編寫，並基於 DALL - E Mini模型卡片。

📄 許可證

本模型使用 CreativeML OpenRAIL M許可證，這是一個 Open RAIL M許可證，改編自 BigScience 和 RAIL Initiative 在負責任AI許可領域的聯合工作。有關我們許可證所基於的 BLOOM Open RAIL許可證的文章 請參閱相關鏈接。

請仔細閱讀完整的許可證：https://huggingface.co/spaces/CompVis/stable-diffusion-license。

⚠️ 重要提示

本模型僅用於研究目的，請勿用於商業或其他非法用途。請遵守許可證的規定，不得使用該模型故意生成或分享非法或有害的輸出或內容。

💡 使用建議

在使用該模型時，建議使用 安全檢查器 來確保生成的內容符合規定。同時，由於模型主要使用英語字幕進行訓練，使用英語提示可能會獲得更好的效果。