14t6

🚀 Stable Diffusion v2-1 模型卡片

Stable Diffusion v2-1 是一款基於文本提示生成和修改圖像的模型。它基於潛在擴散模型，使用固定的預訓練文本編碼器，能高效地根據輸入的英文文本生成相應圖像。

🚀 快速開始

你可以通過以下兩種方式使用該模型：

• 使用 stablediffusion 倉庫：點擊 此處 下載 v2-1_768-ema-pruned.ckpt。
• 使用 🧨 diffusers

✨ 主要特性

• 文本到圖像生成：基於文本提示生成和修改圖像。
• 潛在擴散模型：結合自編碼器和擴散模型，在自編碼器的潛在空間中訓練。
• 固定預訓練文本編碼器：使用 OpenCLIP-ViT/H 進行文本編碼。

📦 安裝指南

使用 🤗 的 Diffusers 庫 可以簡單高效地運行 Stable Diffusion 2，運行以下命令進行安裝：

pip install diffusers transformers accelerate scipy safetensors

💻 使用示例

基礎用法

運行以下代碼（如果不更換調度器，將使用默認的 DDIM 運行，此示例中我們將其更換為 DPMSolverMultistepScheduler）：

from diffusers import StableDiffusionPipeline, DPMSolverMultistepScheduler

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

# Use the DPMSolverMultistepScheduler (DPM-Solver++) scheduler here instead
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

注意：

• 儘管不是必需依賴，但我們強烈建議你安裝 xformers 以實現內存高效注意力（更好的性能）。
• 如果你可用的 GPU 內存較低，請確保在將其發送到 cuda 後添加 pipe.enable_attention_slicing() 以減少 VRAM 使用（以犧牲速度為代價）。

📚 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。
• 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。

排除的使用情況如下所述。

濫用、惡意使用和超出範圍的使用

注意：本節內容最初取自 DALLE-MINI 模型卡片，曾用於 Stable Diffusion v1，但同樣適用於 Stable Diffusion v2。

該模型不應被用於故意創建或傳播為人們營造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

該模型並非用於對人物或事件進行事實或真實的呈現，因此使用該模型生成此類內容超出了此模型的能力範圍。

濫用和惡意使用

使用該模型生成對個人殘忍的內容是對該模型的濫用。這包括但不限於：

• 生成對人或其環境、文化、宗教等有貶低、非人性化或其他有害的表現形式。
• 故意宣傳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色情內容。
• 虛假和誤導性信息。
• 令人震驚的暴力和血腥內容。
• 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。
• 模型主要使用英文標題進行訓練，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，該數據集由僅限於英文描述的圖像組成。來自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，模型使用非英文提示生成內容的能力明顯低於使用英文提示的情況。Stable Diffusion v2 反映並加劇了這種偏差，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）。訓練數據使用 LAION 的 NSFW 檢測器進行進一步過濾，“p_unsafe” 分數為 0.1（保守值）。有關更多詳細信息，請參考 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，它將自編碼器與在自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。我們還使用所謂的 v-objective，詳見 https://arxiv.org/abs/2202.00512。

我們目前提供以下檢查點：

• 512-base-ema.ckpt：在 LAION-5B 的一個子集上以 256x256 分辨率進行 550k 步訓練，該子集使用 LAION-NSFW 分類器 過濾掉明確的色情材料，punsafe=0.1 且 美學分數 >= 4.5。在相同數據集上以 512x512 分辨率進行 850k 步訓練，該數據集分辨率 >= 512x512。

• 768-v-ema.ckpt：從 512-base-ema.ckpt 恢復訓練，並在相同數據集上使用 v-objective 進行 150k 步訓練。在我們數據集的 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，該預測用作額外的條件。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 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 額外輸入通道初始化為零。用於訓練 1.5-inpainting 檢查點 的策略相同。

• x4-upscaling-ema.ckpt：在包含 >2048x2048 圖像的 LAION 的 10M 子集上進行 1.25M 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。

• 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 10,000 步內熱身到 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 步 DDIM 採樣步驟進行評估，顯示了檢查點的相對改進：

使用 50 個 DDIM 步驟和來自 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：美國東部
• 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 撰寫，基於 Stable Diffusion v1 和 DALL-E Mini 模型卡片。