Stable Diffusion V1 5

🚀 Stable Diffusion v1-5 模型

Stable Diffusion是一個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。該模型為圖像生成領域提供了強大的工具，可廣泛應用於藝術創作、設計等多個領域。

🚀 快速開始

Stable Diffusion是一個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。更多關於Stable Diffusion如何工作的信息，請查看🤗的Stable Diffusion博客。

你可以使用🧨Diffusers庫來使用這個模型。

from diffusers import StableDiffusionPipeline
import torch

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

更詳細的說明、用例和JAX中的示例，請遵循此處的說明。

✨ 主要特性

• 文本到圖像生成：能夠根據任何文本輸入生成逼真的圖像。
• 可商用：在遵循許可證的前提下，可重新分發權重並將模型用於商業用途或作為服務。

📦 安裝指南

文檔未提及具體安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

from diffusers import StableDiffusionPipeline
import torch

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

高級用法

文檔未提及高級用法示例，故跳過此部分。

📚 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。
• 對生成模型的研究。

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：本節內容取自 DALLE-MINI模型卡片，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覺得不安、苦惱或冒犯的圖像；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如實反映人物或事件，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。
• 錯誤信息和虛假信息
• 令人震驚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。
• 面部和人物總體上可能無法正確生成。
• 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用於產品。
• 未使用額外措施對數據集進行去重。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。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 Safety Checker。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，以降低逆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

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-v1-5-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），其權重在恢復非圖像修復檢查點後初始化為零。在訓練過程中，我們生成合成掩碼，並在25%的情況下對所有內容進行掩碼。

• 硬件：32 x 8 x A100 GPUs

• 優化器：AdamW

• 梯度累積：2

• 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個PNDM/PLMS採樣步驟進行的評估顯示了各檢查點的相對改進：

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

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：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 基於電網位置產生的碳）：11250 kg CO2 eq.

🔧 技術細節

文檔中關於技術細節的描述較為分散，未形成一個集中且詳細（>50字）的技術說明，故跳過此章節。

📄 許可證

該倉庫根據 The CreativeML OpenRAIL-M License 重新上傳到HuggingFace，該許可證最初用於上傳此倉庫，特別是 Section II 授予：

... 一項永久的、全球的、非排他性的、免費的、免版稅的、不可撤銷的版權許可，用於複製、準備、公開展示、公開表演、再許可和分發補充材料、模型以及模型的衍生作品。

請注意，這些文件並非來自HuggingFace，而是來自 modelscope。因此，原始倉庫中存在的一些文件可能不存在。已通過校驗和驗證了文件的完整性。

📖 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。