Stable Diffusion V1 3

🚀 Stable Diffusion v1-3模型卡片

Stable Diffusion是一种潜在文本到图像的扩散模型，能够根据任何文本输入生成逼真的图像。有关Stable Diffusion的工作原理，请查看🤗的Stable Diffusion with D🧨iffusers博客。

Stable-Diffusion-v1-3检查点使用Stable-Diffusion-v1-2检查点的权重进行初始化，随后在分辨率为512x512的“laion-improved-aesthetics”上进行了195,000步的微调，并以10%的概率丢弃文本条件，以改进无分类器引导采样。更多信息请参考训练部分。

此处的权重旨在与D🧨iffusers库一起使用。如果你正在寻找要加载到CompVis Stable Diffusion代码库中的权重，请点击此处。

✨ 主要特性

• 能够根据文本输入生成逼真的图像。
• 基于潜在扩散模型，结合了自编码器和扩散模型。
• 可通过调整参数和调度器来控制生成过程。

📦 安装指南

我们建议使用🤗的Diffusers库来运行Stable Diffusion。

pip install --upgrade diffusers transformers scipy

💻 使用示例

基础用法

使用默认的PNDM调度器运行管道：

import torch
from torch import autocast
from diffusers import StableDiffusionPipeline

model_id = "CompVis/stable-diffusion-v1-3"
device = "cuda"

pipe = StableDiffusionPipeline.from_pretrained(model_id)
pipe = pipe.to(device)

prompt = "a photo of an astronaut riding a horse on mars"
with autocast("cuda"):
    image = pipe(prompt, guidance_scale=7.5)["sample"][0]  
    
image.save("astronaut_rides_horse.png")

高级用法

低显存使用

如果你受GPU内存限制，可用的GPU RAM少于10GB，请确保以float16精度而不是上述默认的float32精度加载StableDiffusionPipeline。你可以通过告诉diffusers期望权重为float16精度来实现：

import torch

pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to(device)

prompt = "a photo of an astronaut riding a horse on mars"
with autocast("cuda"):
    image = pipe(prompt, guidance_scale=7.5)["sample"][0]  
    
image.save("astronaut_rides_horse.png")

更换噪声调度器

要更换噪声调度器，请将其传递给from_pretrained：

from diffusers import StableDiffusionPipeline, LMSDiscreteScheduler

model_id = "CompVis/stable-diffusion-v1-3"
# 此处使用K-LMS调度器
scheduler = LMSDiscreteScheduler(beta_start=0.00085, beta_end=0.012, beta_schedule="scaled_linear", num_train_timesteps=1000)
pipe = StableDiffusionPipeline.from_pretrained(model_id, scheduler=scheduler, use_auth_token=True)
pipe = pipe.to("cuda")

prompt = "a photo of an astronaut riding a horse on mars"
with autocast("cuda"):
    image = pipe(prompt, guidance_scale=7.5)["sample"][0]  
    
image.save("astronaut_rides_horse.png")

📚 详细文档

模型详情

使用方式

直接使用

该模型仅用于研究目的。可能的研究领域和任务包括：

• 安全部署有可能生成有害内容的模型。
• 探索和理解生成模型的局限性和偏差。
• 生成艺术作品并用于设计和其他艺术过程。
• 在教育或创意工具中的应用。
• 生成模型的研究。

滥用、恶意使用和超出范围的使用

此模型不应被用于故意创建或传播对人造成敌对或疏远环境的图像。这包括生成人们可预见会感到不安、痛苦或冒犯的图像，或传播历史或当前刻板印象的内容。

• 超出范围的使用：该模型并非用于生成对人或事件的事实或真实表述，因此使用该模型生成此类内容超出了该模型的能力范围。
• 滥用和恶意使用：使用该模型生成对个人残酷的内容是对该模型的滥用。这包括但不限于：
  • 生成贬低、非人化或以其他方式有害的人物或其环境、文化、宗教等的表述。
  • 故意推广或传播歧视性内容或有害刻板印象。
  • 在未经个人同意的情况下冒充个人。
  • 未经可能看到该内容的人的同意而发布性内容。
  • 错误信息和虚假信息。
  • 令人震惊的暴力和血腥场面的表述。
  • 违反版权或许可材料使用条款的共享。
  • 违反版权或许可材料使用条款的修改内容的共享。

局限性和偏差

局限性

• 模型无法实现完美的照片级逼真度。
• 模型无法渲染清晰可读的文本。
• 模型在涉及组合性的更困难任务上表现不佳，例如渲染与“A red cube on top of a blue sphere”对应的图像。
• 面部和人物一般可能无法正确生成。
• 模型主要使用英语字幕进行训练，在其他语言中的效果不佳。
• 模型的自动编码部分存在信息损失。
• 模型在大规模数据集LAION-5B上进行训练，该数据集包含成人内容，在没有额外安全机制和考虑的情况下不适合产品使用。
• 未使用额外措施对数据集进行去重。因此，我们观察到对训练数据中重复的图像有一定程度的记忆。可以在https://rom1504.github.io/clip-retrieval/上搜索训练数据，以帮助检测记忆的图像。

偏差

虽然图像生成模型的能力令人印象深刻，但它们也可能强化或加剧社会偏差。Stable Diffusion v1在LAION-2B(en)的子集上进行训练，该子集主要由英语描述的图像组成。使用其他语言的社区和文化的文本和图像可能未得到充分考虑。这影响了模型的整体输出，因为白人和西方文化通常被设定为默认。此外，模型使用非英语提示生成内容的能力明显低于使用英语提示。

训练

训练数据

模型开发者使用以下数据集进行模型训练：

• LAION-2B (en)及其子集（见下一节）

训练过程

Stable Diffusion v1-4是一种潜在扩散模型，它将自编码器与在自编码器潜在空间中训练的扩散模型相结合。在训练期间：

• 图像通过编码器进行编码，将图像转换为潜在表示。自编码器使用相对下采样因子8，将形状为H x W x 3的图像映射到形状为H/f x W/f x 4的潜在表示。
• 文本提示通过ViT-L/14文本编码器进行编码。
• 文本编码器的非池化输出通过交叉注意力输入到潜在扩散模型的UNet主干中。
• 损失是添加到潜在表示中的噪声与UNet预测之间的重建目标。

我们目前提供四个检查点，训练方式如下：

• stable-diffusion-v1-1：在laion2B-en上以分辨率256x256进行237,000步训练，在laion-high-resolution（来自LAION-5B的170M个分辨率>= 1024x1024的示例）上以分辨率512x512进行194,000步训练。
• stable-diffusion-v1-2：从stable-diffusion-v1-1继续训练。在“laion-improved-aesthetics”（laion2B-en的一个子集，过滤为原始大小>= 512x512、估计美学分数> 5.0且估计水印概率< 0.5的图像。水印估计来自LAION-5B元数据，美学分数使用改进的美学估计器进行估计）上以分辨率512x512进行515,000步训练。
• stable-diffusion-v1-3：从stable-diffusion-v1-2继续训练。在“laion-improved-aesthetics”上以分辨率512x512进行195,000步训练，并以10%的概率丢弃文本条件，以改进无分类器引导采样。
• stable-diffusion-v1-4：从stable-diffusion-v1-2继续训练。在“laion-aesthetics v2 5+”上以分辨率512x512进行225,000步训练，并以10%的概率丢弃文本条件，以改进无分类器引导采样。

训练细节

• 硬件：32 x 8 x A100 GPUs
• 优化器：AdamW
• 梯度累积：2
• 批次：32 x 8 x 2 x 4 = 2048
• 学习率：在10,000步内预热到0.0001，然后保持不变

评估结果

使用不同的无分类器引导尺度（1.5、2.0、3.0、4.0、5.0、6.0、7.0、8.0）和50个PLMS采样步骤进行评估，显示了检查点的相对改进：

使用50个PLMS步骤和来自COCO2017验证集的10000个随机提示进行评估，在512x512分辨率下进行评估。未针对FID分数进行优化。

环境影响

Stable Diffusion v1 估计排放量 基于该信息，我们使用Lacoste等人（2019）中提出的机器学习影响计算器估计以下CO2排放量。利用硬件、运行时间、云提供商和计算区域来估计碳影响。

• 硬件类型：A100 PCIe 40GB
• 使用小时数：150000
• 云提供商：AWS
• 计算区域：US-east
• 碳排放（功耗x时间x基于电网位置产生的碳）：11250 kg CO2 eq.

📄 许可证

本模型采用CreativeML OpenRAIL M许可证。请仔细阅读完整的许可证：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编写，基于DALL-E Mini模型卡片。