Stable Diffusion 2 1

🚀 Stable Diffusion v2-1模型卡片

Stable Diffusion v2-1是一款基于文本生成和修改图像的模型。它以文本提示为基础，利用潜在扩散模型生成高质量图像，在图像创作、设计等领域具有广泛应用价值。

🚀 快速开始

• 使用stablediffusion仓库：可从此处下载v2-1_768-ema-pruned.ckpt文件。
• 使用🧨diffusers

✨ 主要特性

• 基于扩散的文本到图像生成模型，可根据文本提示生成和修改图像。
• 使用固定的预训练文本编码器（OpenCLIP-ViT/H）的潜在扩散模型。

📦 安装指南

使用🤗的Diffusers库可以简单高效地运行Stable Diffusion 2。

pip install diffusers transformers accelerate scipy safetensors

💻 使用示例

基础用法

import torch
from diffusers import StableDiffusionPipeline, DPMSolverMultistepScheduler

model_id = "stabilityai/stable-diffusion-2-1"

# 此处使用DPMSolverMultistepScheduler (DPM-Solver++)调度器
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config)
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")

高级用法

# 尽管不是必需依赖，但强烈建议安装[xformers](https://github.com/facebookresearch/xformers)以实现内存高效注意力机制（提升性能）
# 如果GPU显存较低，在将模型发送到cuda后添加`pipe.enable_attention_slicing()`以减少显存使用（但会降低速度）
import torch
from diffusers import StableDiffusionPipeline, DPMSolverMultistepScheduler

model_id = "stabilityai/stable-diffusion-2-1"
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config)
pipe = pipe.to("cuda")
pipe.enable_attention_slicing()

prompt = "a photo of an astronaut riding a horse on mars"
image = pipe(prompt).images[0]
image.save("astronaut_rides_horse.png")

📚 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}
}

使用说明

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：

• 安全部署有潜在生成有害内容风险的模型。
• 探究和理解生成模型的局限性和偏差。
• 艺术作品生成及在设计和其他艺术过程中的应用。
• 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使用

⚠️ 重要提示

该模型不得用于故意创建或传播对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。

超出范围使用

该模型并非用于生成真实或准确反映人物或事件的内容，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滥用行为，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、宗教等的表述。
• 故意推广或传播歧视性内容或有害刻板印象。
• 未经他人同意冒充他人。
• 未经可能看到该内容的人的同意传播性内容。
• 虚假和误导性信息。
• 严重暴力和血腥场面的表述。
• 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修改内容分享。

局限性和偏差

局限性

• 模型无法实现完美的照片写实效果。
• 模型无法渲染清晰可读的文本。
• 模型在涉及组合性的更复杂任务上表现不佳，例如渲染与“A red cube on top of a blue sphere”对应的图像。
• 面部和人物通常可能无法正确生成。
• 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的一个子集上进行训练，该数据集包含成人、暴力和性内容。为部分缓解此问题，使用LAION的NFSW检测器对数据集进行了过滤（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，该子集的图像仅限于英语描述。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。Stable Diffusion v2反映并加剧了这种偏差，无论输入或意图如何，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进行模型训练：

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

训练过程

Stable Diffusion v2是一个潜在扩散模型，它将自动编码器与在自动编码器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OpenCLIP-ViT/H文本编码器进行编码。
• 文本编码器的输出通过交叉注意力机制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。还使用了所谓的“v-objective”，详见https://arxiv.org/abs/2202.00512。

目前提供以下检查点：

• 512-base-ema.ckpt：在LAION-5B的一个子集中，分辨率为256x256时训练550k步，该子集使用LAION-NSFW分类器过滤明确色情内容，punsafe=0.1且美学分数 >= 4.5。在相同数据集上，分辨率>= 512x512时训练850k步。
• 768-v-ema.ckpt：从512-base-ema.ckpt恢复训练，在相同数据集上使用v-objective训练150k步。在数据集的768x768子集上继续训练140k步。
• 512-depth-ema.ckpt：从512-base-ema.ckpt恢复训练并微调200k步。添加一个额外的输入通道来处理MiDaS (dpt_hybrid)产生的（相对）深度预测，作为额外的条件。处理此额外信息的U-Net的额外输入通道初始化为零。
• 512-inpainting-ema.ckpt：从512-base-ema.ckpt恢复训练并训练200k步。遵循LAMA中提出的掩码生成策略，结合掩码图像的潜在VAE表示作为额外条件。处理此额外信息的U-Net的额外输入通道初始化为零。使用相同策略训练了1.5-inpainting检查点。
• x4-upscaling-ema.ckpt：在包含图像>2048x2048的LAION的10M子集上训练1250k步。模型在大小为512x512的裁剪图像上训练，是一个文本引导的潜在上采样扩散模型。除了文本输入外，它还接收一个noise_level作为输入参数，可根据预定义的扩散时间表向低分辨率输入添加噪声。

训练参数

• 硬件：32 x 8 x A100 GPUs
• 优化器：AdamW
• 梯度累积：1
• 批次：32 x 8 x 2 x 4 = 2048
• 学习率：在10000步内预热至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DDIM采样步骤进行评估，显示了检查点的相对改进：

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

环境影响

Stable Diffusion v1估计排放

基于该信息，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。利用硬件、运行时间、云服务提供商和计算区域来估计碳影响。

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。