Stable Diffusion V1 5 Archive

🚀 Stable Diffusion v1-5模型卡片

Stable Diffusion是一種潛在文本到圖像的擴散模型，能夠根據任何文本輸入生成逼真的圖像。有關Stable Diffusion的工作原理的更多信息，請查看🤗的Stable Diffusion博客。

🚀 快速開始

你可以使用🧨Diffusers庫和RunwayML GitHub倉庫存檔來使用該模型。

使用Diffusers庫

from diffusers import StableDiffusionPipeline
import torch

model_id = "ashllay/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")

有關更多詳細說明、用例和JAX中的示例，請遵循此處的說明。

使用原始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

• 文本生成圖像：能夠根據輸入的文本生成逼真的圖像。
• 可微調：可以在特定數據集上進行微調以滿足特定需求。

📚 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}
}

用途

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。
• 對生成模型的研究。

濫用、惡意使用和超出範圍的使用

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

該模型不應用於故意創建或傳播會為人們創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：該模型並非用於生成事實或真實的人物或事件表示，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有害的人物或其環境、文化、宗教等的表示。
  • 故意推廣或傳播歧視性內容或有害的刻板印象。
  • 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。
  • 虛假信息和誤導性信息。
  • 令人髮指的暴力和血腥場面的表示。
  • 違反版權或許可材料使用條款的共享。
  • 違反版權或許可材料使用條款的對其進行修改後的內容的共享。

侷限性和偏差

侷限性

• 模型無法實現完美的照片級真實感。
• 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之上”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。
• 沒有使用額外的措施來對數據集進行去重。因此，我們觀察到對於訓練數據中重複的圖像存在一定程度的記憶現象。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的考慮。這影響了模型的整體輸出，因為白人和西方文化通常被設置為默認。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

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170M個分辨率>= 1024x1024的示例）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，過濾到原始大小>= 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，並在10%的步驟中丟棄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，並在10%的步驟中丟棄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，並在10%的步驟中丟棄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，並在10%的步驟中丟棄文本條件。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），其權重在恢復非圖像修復檢查點後被初始化為零。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個PNDM/PLMS採樣步驟進行評估，顯示了檢查點的相對改進：

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，在512x512分辨率下進行評估。未針對FID分數進行優化。

環境影響

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
• 使用小時數：150000
• 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）：11250 kg CO2 eq.

📄 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：https://huggingface.co/spaces/CompVis/stable-diffusion-license

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和Patrick Esser編寫，基於DALL-E Mini模型卡片。