Stable Diffusion Inpainting With Handler

🚀 稳定扩散图像修复模型

稳定扩散图像修复模型是一种潜在的文本到图像扩散模型，它能根据任何文本输入生成逼真的图像，还具备通过使用掩码修复图片的额外能力。

🚀 快速开始

本项目是从 runwayml/stable-diffusion-inpainting 分叉而来。你可以通过以下两种方式使用该模型：

使用 🧨Diffusers 库

from diffusers import StableDiffusionInpaintPipeline

pipe = StableDiffusionInpaintPipeline.from_pretrained(
    "runwayml/stable-diffusion-inpainting",
    revision="fp16",
    torch_dtype=torch.float16,
)
prompt = "Face of a yellow cat, high resolution, sitting on a park bench"
#image and mask_image should be PIL images.
#The mask structure is white for inpainting and black for keeping as is
image = pipe(prompt=prompt, image=image, mask_image=mask_image).images[0]
image.save("./yellow_cat_on_park_bench.png")

使用原始 GitHub 仓库

1. 下载权重 sd-v1-5-inpainting.ckpt
2. 遵循 此处 的说明。

✨ 主要特性

• 能够根据文本输入生成逼真的图像。
• 具备图像修复能力，可通过掩码对图片进行修复。

📚 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 OpenRAIL M 许可证 是一种 Open RAIL M 许可证，改编自 BigScience 和 RAIL Initiative 在负责任的人工智能许可领域的联合工作。另见 关于 BLOOM Open RAIL 许可证的文章，本许可证基于此。
• 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 (CLIP ViT-L/14)，如 Imagen 论文 中所建议。
• 更多信息资源：GitHub 仓库，论文。
• 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}
}

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。

滥用、恶意使用和超出范围的使用

本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对人物或事件的真实或准确表示，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、宗教等的表示。
  • 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生成性内容。
  • 错误和虚假信息。
  • 令人震惊的暴力和血腥表示。
  • 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 “一个红色立方体在蓝色球体上” 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 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。
• 未使用额外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，该子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。

训练

训练数据

模型开发者使用以下数据集训练模型：

• LAION-2B (en) 及其子集（见下一节）

训练过程

Stable Diffusion v1 是一种潜在扩散模型，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 预测之间的重建目标。

目前提供六个检查点，sd-v1-1.ckpt、sd-v1-2.ckpt、sd-v1-3.ckpt、sd-v1-4.ckpt、sd-v1-5.ckpt 和 sd-v1-5-inpainting.ckpt，训练方式如下：

• sd-v1-1.ckpt：在 laion2B-en 上以分辨率 256x256 进行 237k 步常规训练，然后在 laion-high-resolution（来自 LAION-5B 的 170M 个分辨率 >= 1024x1024 的示例）上以分辨率 512x512 进行 194k 步训练。
• sd-v1-2.ckpt：从 sd-v1-1.ckpt 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 进行 515k 步训练。
• sd-v1-3.ckpt：从 sd-v1-2.ckpt 恢复训练。在 “laion-improved-aesthetics” 上以分辨率 512x512 进行 195k 步训练，并在 10% 的步骤中丢弃文本条件以改进 无分类器引导采样。
• sd-v1-4.ckpt：从 stable-diffusion-v1-2 恢复训练。在 “laion-aesthetics v2 5+” 上以分辨率 512x512 进行 225,000 步训练，并在 10% 的步骤中丢弃文本条件以进行 无分类器引导采样。
• sd-v1-5.ckpt：从 sd-v1-2.ckpt 恢复训练。在 “laion-aesthetics v2 5+” 上以分辨率 512x512 进行 595k 步训练，并在 10% 的步骤中丢弃文本条件以改进无分类器引导采样。
• sd-v1-5-inpaint.ckpt：从 sd-v1-2.ckpt 恢复训练。在 “laion-aesthetics v2 5+” 上以分辨率 512x512 进行 595k 步训练，并在 10% 的步骤中丢弃文本条件以改进无分类器引导采样。然后在 “laion-aesthetics v2 5+” 上以分辨率 512x512 进行 440k 步图像修复训练，并在 10% 的步骤中丢弃文本条件。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），其权重在恢复非图像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% 的情况下对所有内容进行掩码。

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 PLMS 采样进行的评估显示了检查点的相对改进：

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

图像修复评估

为了评估图像修复模型的性能，我们使用了与 LDM 论文 中相同的评估协议。由于稳定扩散图像修复模型接受文本输入，我们简单地使用了固定提示 photograph of a beautiful empty scene, highest quality settings。

环境影响

稳定扩散 v1 估计排放量

基于上述信息，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。硬件、运行时间、云服务提供商和计算区域用于估计碳影响。

• 硬件类型：A100 PCIe 40GB
• 使用小时数：150000
• 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）：11250 kg CO2 当量。

🔧 技术细节

Stable-Diffusion-Inpainting 模型使用 Stable-Diffusion-v-1-2 的权重进行初始化。首先进行 595k 步的常规训练，然后在 “laion-aesthetics v2 5+” 上以 512x512 分辨率进行 440k 步的图像修复训练，并在 10% 的步骤中丢弃文本条件以改进 无分类器引导采样。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），其权重在恢复非图像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% 的情况下对所有内容进行掩码。

📄 许可证

本模型使用 CreativeML OpenRAIL M 许可证。在使用该模型时，请确保遵守许可证的相关条款。在重新分发权重或商业使用该模型时，需包含相同的使用限制，并向所有用户提供 CreativeML OpenRAIL-M 许可证的副本。