Stable Diffusion Inpainting

🚀 Stable Diffusion Inpainting模型卡片

Stable Diffusion Inpainting是一种潜在的文本到图像扩散模型，能够根据任何文本输入生成逼真的图像，还具备使用掩码对图片进行修复的额外能力。

🚀 快速开始

你可以通过以下链接快速体验模型： 在Spaces中打开 |

✨ 主要特性

• 能够根据文本输入生成逼真的图像。
• 支持使用掩码对图片进行修复。

📦 安装指南

使用Diffusers库

from diffusers import StableDiffusionInpaintPipeline

pipe = StableDiffusionInpaintPipeline.from_pretrained(
    "sd-legacy/stable-diffusion-inpainting",
    revision="fp16",
    torch_dtype=torch.float16,
)

使用原始GitHub仓库或AUTOMATIC1111

1. 下载权重文件 sd-v1-5-inpainting.ckpt
2. 按照 此处 的说明操作（现已弃用）。
3. 可与 AUTOMATIC1111 一起使用

💻 使用示例

基础用法

from diffusers import StableDiffusionInpaintPipeline

pipe = StableDiffusionInpaintPipeline.from_pretrained(
    "sd-legacy/stable-diffusion-inpainting",
    revision="fp16",
    torch_dtype=torch.float16,
)
prompt = "Face of a yellow cat, high resolution, sitting on a park bench"
#image and mask_image should be PIL images.
#The mask structure is white for inpainting and black for keeping as is
image = pipe(prompt=prompt, image=image, mask_image=mask_image).images[0]
image.save("./yellow_cat_on_park_bench.png")

效果展示

工作原理：

image	mask_image

prompt	Output
Face of a yellow cat, high resolution, sitting on a park bench

📚 详细文档

模型详情

@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

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。
• 对生成模型的研究。

滥用、恶意使用和超出范围的使用

注意：本节内容摘自 DALLE-MINI模型卡片，但同样适用于Stable Diffusion v1。

该模型不应被用于故意创建或传播对他人造成敌对或排斥环境的图像。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事实或真实的人物或事件表示，因此使用该模型生成此类内容超出了其能力范围。
• 滥用和恶意使用：使用该模型生成对个人残忍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伤害人们或其环境、文化、宗教等的表示。
  • 故意推广或传播歧视性内容或有害刻板印象。
  • 在未经他人同意的情况下冒充他人。
  • 未经可能看到该内容的人的同意生成性内容。
  • 虚假和误导性信息。
  • 令人发指的暴力和血腥场面的表示。
  • 违反版权或许可材料使用条款的共享行为。
  • 违反版权或许可材料使用条款对其进行修改后的内容共享。

局限性和偏差

局限性

• 模型无法实现完美的照片级真实感。
• 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 “一个红色立方体放在蓝色球体上” 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。
• 未采取额外措施对数据集进行去重。因此，我们观察到对于训练数据中重复的图像存在一定程度的记忆现象。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没有得到充分考虑。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的能力。

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是一个潜在扩散模型，它将自动编码器与在自动编码器的潜在空间中训练的扩散模型相结合。在训练过程中：

• 图像通过编码器进行编码，将图像转换为潜在表示。自动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的预测之间的重建目标。

目前提供六个检查点，sd-v1-1.ckpt、sd-v1-2.ckpt、sd-v1-3.ckpt、sd-v1-4.ckpt、sd-v1-5.ckpt 和 sd-v1-5-inpainting.ckpt，训练方式如下：

• sd-v1-1.ckpt：在 laion2B-en 上以分辨率 256x256 训练237k步。在 laion-high-resolution（来自LAION-5B的170M个分辨率 >= 1024x1024 的示例）上以分辨率 512x512 训练194k步。
• sd-v1-2.ckpt：从 sd-v1-1.ckpt 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 训练515k步。
• sd-v1-3.ckpt：从 sd-v1-2.ckpt 继续训练。在 “laion-improved-aesthetics” 上以分辨率 512x512 训练195k步，并在10%的步骤中去除文本条件以改进 无分类器引导采样。
• sd-v1-4.ckpt：从stable-diffusion-v1-2继续训练。在 “laion-aesthetics v2 5+” 上以分辨率512x512训练225,000步，并在10%的步骤中去除文本条件以进行 无分类器引导采样。
• sd-v1-5.ckpt：从sd-v1-2.ckpt继续训练。在 “laion-aesthetics v2 5+” 上以分辨率512x512训练595k步，并在10%的步骤中去除文本条件以改进无分类器引导采样。
• sd-v1-5-inpaint.ckpt：从sd-v1-2.ckpt继续训练。在 “laion-aesthetics v2 5+” 上以分辨率512x512训练595k步，并在10%的步骤中去除文本条件以改进无分类器引导采样。然后在 “laion-aesthetics v2 5+” 上以分辨率512x512进行440k步的修复训练，并在10%的步骤中去除文本条件。对于修复，UNet有5个额外的输入通道（4个用于编码的掩码图像，1个用于掩码本身），其权重在恢复非修复检查点后初始化为零。在训练过程中，我们生成合成掩码，并在25%的情况下对所有内容进行掩码。

训练硬件和参数

• 硬件：32 x 8 x A100 GPUs
• 优化器：AdamW
• 梯度累积：2
• 批次大小：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步PLMS采样进行评估，结果显示了各检查点的相对改进：

评估使用50步PLMS采样和来自COCO2017验证集的10000个随机提示，在512x512分辨率下进行。未针对FID分数进行优化。

修复评估

为了评估修复模型的性能，我们使用了与 LDM论文 中相同的评估协议。由于Stable Diffusion修复模型接受文本输入，我们简单地使用固定提示 photograph of a beautiful empty scene, highest quality settings。

环境影响

Stable Diffusion v1 估计排放量

基于上述信息，我们使用 Lacoste等人（2019） 提出的 机器学习影响计算器 估计了以下CO2排放量。硬件、运行时间、云服务提供商和计算区域用于估计碳影响。

• 硬件类型：A100 PCIe 40GB
• 使用时长：150000小时
• 云服务提供商：AWS
• 计算区域：美国东部
• 碳排放（功耗 x 时间 x 基于电网位置产生的碳）：11250 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和Patrick Esser编写，基于 DALL-E Mini模型卡片。