Stable Diffusion V1 5 Img2img

🚀 Stable Diffusion v1-5模型卡

Stable Diffusion是一種潛在的文本到圖像擴散模型，能夠根據任何文本輸入生成逼真的圖像。欲瞭解更多關於Stable Diffusion的工作原理，請查看🤗的Stable Diffusion博客。

🚀 快速開始

你可以結合使用🧨Diffusers庫和RunwayML GitHub倉庫來使用該模型。

Diffusers

from diffusers import StableDiffusionPipeline
import torch

model_id = "runwayml/stable-diffusion-v1-5"
pipe = StableDiffusionPipeline.from_pretrained(model_id, 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")

如需更詳細的說明、用例和JAX中的示例，請遵循此處的說明。

原始GitHub倉庫

1. 下載權重文件
   • v1-5-pruned-emaonly.ckpt - 4.27GB，僅包含EMA權重，使用較少的顯存，適合推理。
   • v1-5-pruned.ckpt - 7.7GB，包含EMA和非EMA權重，使用較多的顯存，適合微調。
2. 遵循此處的說明。

✨ 主要特性

• 文本驅動圖像生成：能夠根據文本提示生成高質量的圖像。
• 多場景應用：可用於藝術創作、設計、研究等多個領域。
• 開源模型：基於開源許可證，方便開發者使用和擴展。

📚 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}
}

使用方式

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。

排除的使用方式如下所述。

濫用、惡意使用和超出範圍的使用

注意：本節內容摘自 DALLE-MINI模型卡，但同樣適用於Stable Diffusion v1。

該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。

超出範圍的使用

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忍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、宗教等的表徵。
• 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。
• 虛假信息和誤導性信息。
• 令人震驚的暴力和血腥場面的表徵。
• 違反版權或許可材料使用條款的分享行為。
• 違反版權或許可材料使用條款的對其進行修改後的內容分享。

侷限性和偏差

侷限性

• 圖像逼真度：模型無法實現完美的照片級逼真度。
• 文本渲染：模型無法渲染清晰可讀的文本。
• 複雜任務處理：在處理涉及組合性的更困難任務時表現不佳，例如渲染對應於 “一個紅色立方體放在藍色球體上” 的圖像。
• 人物生成：面部和人物的生成可能不夠理想。
• 語言支持：模型主要使用英語字幕進行訓練，在其他語言中的表現不佳。
• 編碼損失：模型的自動編碼部分存在損失。
• 數據集問題：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用於產品。
• 數據重複：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。可以在 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往往被設定為默認。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的情況。

安全模塊

該模型的預期使用方式是結合Diffusers中的 安全檢查器。該檢查器通過將模型輸出與已知的硬編碼NSFW概念進行比對來工作。這些概念被故意隱藏，以降低對該過濾器進行逆向工程的可能性。具體來說，檢查器在圖像生成 之後，在 CLIPTextModel 的嵌入空間中比較有害概念的類別概率。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

訓練數據

模型開發者使用以下數據集進行模型訓練：

• LAION-2B (en) 及其子集（見下一節）

訓練過程

Stable Diffusion v1-5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ViT-L/14文本編碼器進行編碼。
• 文本編碼器的非池化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的預測之間的重建目標。

目前提供了六個Stable Diffusion檢查點，它們的訓練方式如下：

• stable-diffusion-v1-1：在 laion2B-en 上以分辨率 256x256 訓練237,000步。在 laion-high-resolution（來自LAION-5B的分辨率 >= 1024x1024 的170M個示例）上以分辨率 512x512 訓練194,000步。
• stable-diffusion-v1-2：從 stable-diffusion-v1-1 繼續訓練。在 “laion-improved-aesthetics”（laion2B-en的一個子集，過濾為原始大小 >= 512x512、估計美學分數 > 5.0 且估計水印概率 < 0.5 的圖像。水印估計來自LAION-5B元數據，美學分數使用 改進的美學估計器 進行估計）上以分辨率 512x512 訓練515,000步。
• stable-diffusion-v1-3：從 stable-diffusion-v1-2 繼續訓練 - 在 “laion-improved-aesthetics” 上以分辨率 512x512 訓練195,000步，並丟棄10%的文本條件以改進 無分類器引導採樣。
• stable-diffusion-v1-4 從 stable-diffusion-v1-2 繼續訓練 - 在 “laion-aesthetics v2 5+” 上以分辨率 512x512 訓練225,000步，並丟棄10%的文本條件以改進 無分類器引導採樣。
• stable-diffusion-v1-5 從 stable-diffusion-v1-2 繼續訓練 - 在 “laion-aesthetics v2 5+” 上以分辨率 512x512 訓練595,000步，並丟棄10%的文本條件以改進 無分類器引導採樣。
• stable-diffusion-inpainting 從 stable-diffusion-v1-5 繼續訓練 - 然後在 “laion-aesthetics v2 5+” 上以分辨率512x512進行440,000步的圖像修復訓練，並丟棄10%的文本條件。對於圖像修復，UNet有5個額外的輸入通道（4個用於編碼的掩碼圖像，1個用於掩碼本身），在恢復非圖像修復檢查點後，這些通道的權重被初始化為零。在訓練過程中，我們生成合成掩碼，並在25%的情況下將所有內容掩碼。

訓練參數

• 硬件：32 x 8 x A100 GPUs
• 優化器：AdamW
• 梯度累積：2
• 批次大小：32 x 8 x 2 x 4 = 2048
• 學習率：在10,000步內預熱到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個PNDM/PLMS採樣步驟進行評估，結果顯示了各個檢查點的相對改進：

在512x512分辨率下，使用50個PLMS步驟和來自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

基於這些信息，我們使用 Lacoste等人（2019） 中介紹的 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：150000小時
• 雲服務提供商：AWS
• 計算區域：美國東部
• 碳排放（功耗 x 時間 x 基於電網位置的碳排放）：11250 kg CO2 eq.

🔧 技術細節

Stable Diffusion v1-5是基於潛在擴散模型的文本到圖像生成模型。它結合了自動編碼器和擴散模型，通過在潛在空間中進行訓練來提高效率。在訓練過程中，使用了大規模的圖像數據集，並採用了一些技術來改進生成效果，如丟棄部分文本條件以改進無分類器引導採樣。

📄 許可證

該模型採用 CreativeML OpenRAIL M許可證。請仔細閱讀完整的許可證，以瞭解使用該模型的權利和限制。

📚 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}
    }

⚠️ 重要提示

該模型僅用於研究目的，請勿用於生成有害、歧視性或違反法律法規的內容。

💡 使用建議

在使用模型時，建議結合安全檢查器，以確保生成的內容符合道德和法律要求。同時，可以嘗試不同的提示和參數，以獲得更好的生成效果。