Stable Diffusion 2 Depth Img2img

🚀 Stable Diffusion v2模型卡片

Stable Diffusion v2是一款強大的基於文本生成和修改圖像的模型，它能夠根據文本提示生成高質量的圖像，在圖像生成領域具有廣泛的應用前景。

🚀 快速開始

• 使用stablediffusion倉庫：從這裡下載512-depth-ema.ckpt。
• 使用🧨diffusers

✨ 主要特性

• 基於文本提示生成和修改圖像，可用於多種圖像生成任務。
• 採用Latent Diffusion Model架構，結合固定的預訓練文本編碼器。
• 支持多種使用方式，可通過不同的庫和工具進行調用。

📦 安裝指南

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

pip install -U git+https://github.com/huggingface/transformers.git
pip install diffusers transformers accelerate scipy safetensors

💻 使用示例

基礎用法

import torch
import requests
from PIL import Image
from diffusers import StableDiffusionDepth2ImgPipeline

pipe = StableDiffusionDepth2ImgPipeline.from_pretrained(
   "stabilityai/stable-diffusion-2-depth",
   torch_dtype=torch.float16,
).to("cuda")

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
init_image = Image.open(requests.get(url, stream=True).raw)

prompt = "two tigers"
n_propmt = "bad, deformed, ugly, bad anotomy"
image = pipe(prompt=prompt, image=init_image, negative_prompt=n_propmt, strength=0.7).images[0]

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（更好的性能）
# 如果GPU顯存較低，確保在將其發送到`cuda`後添加`pipe.enable_attention_slicing()`以減少VRAM使用（以速度為代價）
import torch
import requests
from PIL import Image
from diffusers import StableDiffusionDepth2ImgPipeline

pipe = StableDiffusionDepth2ImgPipeline.from_pretrained(
   "stabilityai/stable-diffusion-2-depth",
   torch_dtype=torch.float16,
).to("cuda")
pipe.enable_attention_slicing()

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
init_image = Image.open(requests.get(url, stream=True).raw)

prompt = "two tigers"
n_propmt = "bad, deformed, ugly, bad anotomy"
image = pipe(prompt=prompt, image=init_image, negative_prompt=n_propmt, strength=0.7).images[0]

📚 詳細文檔

模型詳情

使用場景

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。
• 藝術作品生成以及在設計和其他藝術過程中的應用。
• 在教育或創意工具中的應用。
• 生成模型的研究。

禁止使用場景

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。

• 超出適用範圍的使用：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他人。
  • 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。
  • 令人髮指的暴力和血腥場面的表現形式。
  • 違反使用條款分享受版權保護或許可的材料。
  • 違反使用條款分享對受版權保護或許可材料的修改內容。

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“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。為了部分緩解這一問題，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沒有得到充分考慮。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比使用英語提示差。Stable Diffusion v2反映並加劇了偏差，無論輸入或其意圖如何，都必須提醒查看者謹慎使用。

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）。訓練數據進一步使用LAION的NSFW檢測器進行過濾，“p_unsafe”分數為0.1（保守）。有關更多詳細信息，請參閱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所做預測之間的重建目標。我們還使用所謂的_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的一個過濾了明確色情材料的子集上，以分辨率256x256進行550k步訓練，使用[LAION - NSFW分類器](https://github.com/LAION - AI/CLIP - based - NSFW - Detector)，punsafe = 0.1，美學分數 >= 4.5。在同一數據集上，以分辨率>= 512x512進行850k步訓練，分辨率為512x512。
• 768 - v - ema.ckpt：從512 - base - ema.ckpt恢復訓練，並在同一數據集上使用v - objective進行150k步訓練。在數據集的768x768子集上再進行140k步訓練。
• 512 - depth - ema.ckpt：從512 - base - ema.ckpt恢復訓練，並進行200k步微調。添加了一個額外的輸入通道來處理由[MiDaS](https://github.com/isl - org/MiDaS) (dpt_hybrid)產生的（相對）深度預測，該預測用作額外的條件。處理此額外信息的U - Net的額外輸入通道被初始化為零。
• 512 - inpainting - ema.ckpt：從512 - base - ema.ckpt恢復訓練，並再進行200k步訓練。遵循[LAMA](https://github.com/saic - mdal/lama)中提出的掩碼生成策略，該策略與掩碼圖像的潛在VAE表示相結合，用作額外的條件。處理此額外信息的U - Net的額外輸入通道被初始化為零。使用相同的策略訓練了[1.5 - inpainting檢查點](https://github.com/saic - mdal/lama)。
• x4 - upscaling - ema.ckpt：在包含圖像>2048x2048的LAION的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](configs/stable - diffusion/x4 - upscaling.yaml)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10,000步內熱身至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，顯示了各檢查點的相對改進：

在512x512分辨率下，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。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基於電網位置產生的碳）：15000 kg CO2 eq.

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編寫，基於Stable Diffusion v1和DALL - E Mini模型卡片。

📄 許可證

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