Stable Diffusion 2 1 Unclip

🚀 Stable Diffusion v2-1-unclip模型卡片

本模型卡片主要介绍与Stable Diffusion v2-1模型相关的模型，代码库可在此处获取。

stable-diffusion-2-1-unclip 是Stable Diffusion 2.1的微调版本，经过修改后，除文本提示外，还能接受（有噪声的）CLIP图像嵌入，可用于创建图像变体（示例），也可与文本到图像的CLIP先验模型串联使用。添加到图像嵌入中的噪声量可通过 noise_level 指定（0表示无噪声，1000表示全噪声）。

• 可结合 🧨 diffusers 使用该模型。

🚀 快速开始

使用 🤗的Diffusers库 可以简单高效地运行Stable Diffusion UnCLIP 2-1-small。

pip install diffusers transformers accelerate scipy safetensors

运行管道（如果不更换调度器，将使用默认的DDIM运行，在本示例中，我们将其更换为 DPMSolverMultistepScheduler）：

from diffusers import DiffusionPipeline
from diffusers.utils import load_image
import torch

pipe = DiffusionPipeline.from_pretrained("stabilityai/stable-diffusion-2-1-unclip-small", torch_dtype=torch.float16)
pipe.to("cuda")

# 获取图像
url = "https://huggingface.co/datasets/hf-internal-testing/diffusers-images/resolve/main/stable_unclip/tarsila_do_amaral.png"
image = load_image(url)

# 运行图像变体
image = pipe(image).images[0]

✨ 主要特性

• 除文本提示外，还能接受（有噪声的）CLIP图像嵌入。
• 可用于创建图像变体或与文本到图像的CLIP先验模型串联使用。
• 可通过 noise_level 指定添加到图像嵌入中的噪声量。

📚 详细文档

模型详情

• 开发者： Robin Rombach、Patrick Esser
• 模型类型： 基于扩散的文本到图像生成模型
• 语言： 英语
• 许可证： CreativeML Open RAIL++-M许可证
• 模型描述： 这是一个可根据文本提示生成和修改图像的模型。它是一个 潜在扩散模型，使用固定的预训练文本编码器 (OpenCLIP-ViT/H)。
• 更多信息资源： GitHub仓库。
• 引用格式：

@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。

以下是排除的使用情况。

滥用、恶意使用和超出范围的使用

注意： 本节内容最初来自 DALLE-MINI模型卡片，曾用于Stable Diffusion v1，同样适用于Stable Diffusion v2。

该模型不应被用于故意创建或传播会给人们造成敌对或疏离环境的图像。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

该模型并非用于对人物或事件进行事实或真实的呈现，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酷的内容属于对该模型的滥用。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、宗教等的表现形式。
• 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他人。
• 未经可能看到该内容的人的同意而生成色情内容。
• 虚假和误导性信息
• 呈现严重暴力和血腥场景
• 违反版权或许可材料的使用条款进行分享。
• 违反版权或许可材料的使用条款分享经过修改的内容。

局限性和偏差

局限性

• 该模型无法实现完美的照片级真实感。
• 该模型无法渲染清晰可读的文本。
• 该模型在涉及组合性的更复杂任务上表现不佳，例如渲染与 “蓝色球体上的红色立方体” 对应的图像。
• 面部和人物通常可能无法正确生成。
• 该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。
• 该模型的自动编码部分存在信息损失。
• 该模型在大规模数据集 LAION-5B 的一个子集上进行训练，该数据集包含成人、暴力和色情内容。为部分缓解这一问题，我们使用LAION的NSFW检测器对数据集进行了过滤（详见训练部分）。

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主要在 LAION-2B(en) 的子集上进行训练，该子集包含的图像仅限于英语描述。来自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，该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情况。Stable Diffusion v2在很大程度上反映并加剧了这些偏差，因此无论输入内容或意图如何，都建议用户谨慎使用。

训练

训练数据

模型开发者使用以下数据集对模型进行训练：

• LAION-5B及其子集（详情如下）。训练数据进一步使用LAION的NSFW检测器进行过滤，“p_unsafe” 分数为0.1（保守值）。有关更多详细信息，请参考LAION-5B的 NeurIPS 2022 论文和相关评审讨论。

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 估计了以下二氧化碳排放量。我们利用硬件、运行时间、云服务提供商和计算区域来估算碳影响。

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撰写，基于 Stable Diffusion v1 和 DALL-E Mini模型卡片。