Stable Diffusion V1 5 Img2img

🚀 Stable Diffusion v1-5模型卡

Stable Diffusion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。欲了解更多关于Stable Diffusion的工作原理，请查看🤗的Stable Diffusion博客。

🚀 快速开始

你可以结合使用🧨Diffusers库和RunwayML GitHub仓库来使用该模型。

Diffusers

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")

如需更详细的说明、用例和JAX中的示例，请遵循此处的说明。

原始GitHub仓库

1. 下载权重文件
   • v1-5-pruned-emaonly.ckpt - 4.27GB，仅包含EMA权重，使用较少的显存，适合推理。
   • v1-5-pruned.ckpt - 7.7GB，包含EMA和非EMA权重，使用较多的显存，适合微调。
2. 遵循此处的说明。

✨ 主要特性

• 文本驱动图像生成：能够根据文本提示生成高质量的图像。
• 多场景应用：可用于艺术创作、设计、研究等多个领域。
• 开源模型：基于开源许可证，方便开发者使用和扩展。

📚 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。
• 探究和理解生成模型的局限性和偏差。
• 艺术作品生成以及在设计和其他艺术过程中的应用。
• 在教育或创意工具中的应用。
• 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

注意：本节内容摘自 DALLE-MINI模型卡，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、宗教等的表征。
• 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生成色情内容。
• 虚假信息和误导性信息。
• 令人震惊的暴力和血腥场面的表征。
• 违反版权或许可材料使用条款的分享行为。
• 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

• 图像逼真度：模型无法实现完美的照片级逼真度。
• 文本渲染：模型无法渲染清晰可读的文本。
• 复杂任务处理：在处理涉及组合性的更困难任务时表现不佳，例如渲染对应于 “一个红色立方体放在蓝色球体上” 的图像。
• 人物生成：面部和人物的生成可能不够理想。
• 语言支持：模型主要使用英语字幕进行训练，在其他语言中的表现不佳。
• 编码损失：模型的自动编码部分存在损失。
• 数据集问题：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用于产品。
• 数据重复：数据集未进行去重处理，因此对于训练数据中重复的图像会有一定程度的记忆。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。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往往被设定为默认。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情况。

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概念进行比对来工作。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 之后，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的分辨率 >= 1024x1024 的170M个示例）上以分辨率 512x512 训练194,000步。
• stable-diffusion-v1-2：从 stable-diffusion-v1-1 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515,000步。
• stable-diffusion-v1-3：从 stable-diffusion-v1-2 继续训练 - 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 继续训练 - 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 继续训练 - 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 继续训练 - 然后在 “laion-aesthetics v2 5+” 上以分辨率512x512进行440,000步的图像修复训练，并丢弃10%的文本条件。对于图像修复，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），在恢复非图像修复检查点后，这些通道的权重被初始化为零。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。

训练参数

• 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个PNDM/PLMS采样步骤进行评估，结果显示了各个检查点的相对改进：

在512x512分辨率下，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。未针对FID分数进行优化。

环境影响

Stable Diffusion v1 估计排放量

基于这些信息，我们使用 Lacoste等人（2019） 中介绍的 机器学习影响计算器 估计了以下CO2排放量。使用硬件、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：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 基于电网位置的碳排放）：11250 kg CO2 eq.

🔧 技术细节

Stable Diffusion v1-5是基于潜在扩散模型的文本到图像生成模型。它结合了自动编码器和扩散模型，通过在潜在空间中进行训练来提高效率。在训练过程中，使用了大规模的图像数据集，并采用了一些技术来改进生成效果，如丢弃部分文本条件以改进无分类器引导采样。

📄 许可证

该模型采用 CreativeML OpenRAIL M许可证。请仔细阅读完整的许可证，以了解使用该模型的权利和限制。

📚 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}
    }

⚠️ 重要提示

该模型仅用于研究目的，请勿用于生成有害、歧视性或违反法律法规的内容。

💡 使用建议

在使用模型时，建议结合安全检查器，以确保生成的内容符合道德和法律要求。同时，可以尝试不同的提示和参数，以获得更好的生成效果。