Stable Diffusion 1.5

🚀 Stable Diffusion v1-5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博客。

🚀 快速开始

你可以使用🧨Diffusers库和RunwayML GitHub仓库来使用该模型。

💻 使用示例

基础用法

from diffusers import StableDiffusionPipeline
import torch

model_id = "runwayml/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")

有关更详细的说明、用例和JAX中的示例，请遵循此处的说明。

高级用法

如果你想使用原始的GitHub仓库，请按照以下步骤操作：

1. 下载权重
   • v1-5-pruned-emaonly.ckpt - 4.27GB，仅使用EMA权重，使用较少的VRAM，适合推理。
   • v1-5-pruned.ckpt - 7.7GB，包含EMA和非EMA权重，使用更多的VRAM，适合微调。
2. 遵循此处的说明。

✨ 主要特性

• 文本到图像生成：根据文本提示生成逼真的图像。
• 多平台支持：可以使用Diffusers库或原始的GitHub仓库。
• 可微调：可以使用不同的权重进行微调。

📚 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。

排除的使用方式如下所述。

滥用、恶意使用和超出范围的使用

⚠️ 重要提示

本部分内容取自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会为人们创造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：

• 生成对人或其环境、文化、宗教等的贬低、非人性化或其他有害的表现。
• 故意推广或传播歧视性内容或有害的刻板印象。
• 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性内容。
• 虚假和误导性信息。
• 对严重暴力和血腥场面的呈现。
• 违反版权或许可材料使用条款的分享。
• 违反版权或许可材料使用条款的对其进行修改后的内容分享。

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。
• 没有使用额外的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，该数据集主要由英语描述的图像组成。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置为默认。此外，模型使用非英语提示生成内容的能力明显不如使用英语提示。

安全模块

该模型的预期使用方式是结合Diffusers中的安全检查器。该检查器通过将模型输出与已知的硬编码NSFW概念进行比较来工作。这些概念被故意隐藏，以降低对该过滤器进行逆向工程的可能性。具体来说，检查器在图像生成后，在CLIPTextModel的嵌入空间中比较有害概念的类别概率。这些概念与生成的图像一起传入模型，并与每个NSFW概念的手工设计权重进行比较。

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 v1-5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。

目前提供了六个Stable Diffusion检查点，它们的训练方式如下：

• stable-diffusion-v1-1：在laion2B-en上以分辨率256x256训练237,000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194,000步。

• stable-diffusion-v1-2：从stable-diffusion-v1-1恢复训练。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515,000步。

• stable-diffusion-v1-3：从stable-diffusion-v1-2恢复训练 - 在"laion-improved-aesthetics"上以分辨率512x512训练195,000步，并丢弃10%的文本条件以改进无分类器引导采样。

• stable-diffusion-v1-4：从stable-diffusion-v1-2恢复训练 - 在"laion-aesthetics v2 5+"上以分辨率512x512训练225,000步，并丢弃10%的文本条件以改进无分类器引导采样。

• stable-diffusion-v1-5：从stable-diffusion-v1-2恢复训练 - 在"laion-aesthetics v2 5+"上以分辨率512x512训练595,000步，并丢弃10%的文本条件以改进无分类器引导采样。

• stable-diffusion-inpainting：从stable-diffusion-v1-5恢复训练 - 然后在“laion-aesthetics v2 5+”上以分辨率512x512进行440,000步的修复训练，并丢弃10%的文本条件。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%的情况下将所有内容掩码。

• 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步内热身到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PNDM/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，评估分辨率为512x512。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了以下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：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撰写，基于DALL-E Mini模型卡片。