Stable Diffusion 2 1 Img2img

🚀 Stable Diffusion v2-1模型卡片

Stable Diffusion v2-1是一款基于文本提示生成和修改图像的模型。它在文本到图像生成领域表现出色，能根据用户输入的英文文本生成相应的图像。

🚀 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库

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

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，在本示例中，我们将其更换为DPMSolverMultistepScheduler）：

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")

⚠️ 重要提示

尽管不是必需依赖项，但我们强烈建议你安装xformers以实现内存高效注意力（更好的性能）。

如果你可用的GPU内存较低，请确保在将其发送到cuda后添加pipe.enable_attention_slicing()以减少VRAM使用（以牺牲速度为代价）。

✨ 主要特性

• 基于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。

📚 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： 这是一个可用于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
• 引用方式：

@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}
}

用途

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

该模型不得用于故意创建或传播会为人们创造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个人。
  • 未经可能看到的人的同意的性内容。
  • 错误和虚假信息。
  • 严重暴力和血腥的表现形式。
  • 违反使用条款分享受版权保护或许可的材料。
  • 违反使用条款分享对受版权保护或许可的材料进行修改的内容。

局限性和偏差

局限性

• 模型无法实现完美的照片写实主义。
• 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，例如渲染对应于“一个红色立方体在蓝色球体上”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。为了部分缓解这一问题，我们使用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，该子集由仅限于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比使用英语提示差。Stable Diffusion v2反映并加剧了偏差，无论输入或其意图如何，都必须提醒查看者谨慎使用。

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）。有关更多详细信息，请参阅LAION-5B的NeurIPS 2022论文和关于该主题的评审讨论。

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的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输入到潜在扩散模型的UNet主干中。
• 损失是添加到潜在表示的噪声与UNet所做预测之间的重建目标。我们还使用所谓的_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的一个过滤了明确色情材料的子集上，以256x256分辨率训练550k步，使用LAION-NSFW分类器，punsafe=0.1且美学分数 >= 4.5。在相同分辨率>= 512x512的数据集上以512x512分辨率训练850k步。
• 768-v-ema.ckpt：从512-base-ema.ckpt恢复训练，并在相同数据集上使用v-objective训练150k步。在数据集的768x768子集上再训练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由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的额外输入通道被初始化为零。
• 512-inpainting-ema.ckpt：从512-base-ema.ckpt恢复训练并再训练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，作为额外的条件。处理此额外信息的U-Net的额外输入通道被初始化为零。使用相同的策略训练了1.5-inpainting检查点。
• x4-upscaling-ema.ckpt：在包含>2048x2048图像的LAION的10M子集上训练1250k步。模型在512x512的裁剪上进行训练，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

根据这些信息，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、云服务提供商和计算区域来估计碳影响。

• 硬件类型： A100 PCIe 40GB
• 使用时长： 200000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）： 15000 kg CO2 eq.

📄 许可证

本模型采用CreativeML Open RAIL++-M许可证。