Diffusers Generation Text Box

🚀 稳定扩散 v1-4 模型卡

稳定扩散（Stable Diffusion）是一种潜在的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。有关稳定扩散的工作原理的更多信息，请查看 🤗 的使用 🧨Diffusers 实现稳定扩散的博客。

稳定扩散 v1-4 检查点使用 稳定扩散 v1-2 检查点的权重进行初始化，随后在分辨率为 512x512 的 “laion-aesthetics v2 5+” 数据集上进行了 225k 步的微调，并以 10% 的概率丢弃文本条件，以改进 无分类器引导采样。

此处的权重旨在与 🧨 Diffusers 库一起使用。如果您正在寻找要加载到 CompVis 稳定扩散代码库中的权重，请 点击此处。

✨ 主要特性

• 能够根据文本输入生成逼真的图像。
• 基于潜在扩散模型，使用固定的预训练文本编码器。
• 可通过不同的调度器进行噪声采样。

📦 安装指南

推荐使用 🤗 的 Diffusers 库 来运行稳定扩散。

PyTorch

pip install --upgrade diffusers transformers scipy

💻 使用示例

基础用法

import torch
from diffusers import StableDiffusionPipeline

model_id = "CompVis/stable-diffusion-v1-4"
device = "cuda"

pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to(device)

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

低显存使用

import torch

model_id = "CompVis/stable-diffusion-v1-4"
device = "cuda"

pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe = pipe.to(device)
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")

更换噪声调度器

from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler

model_id = "CompVis/stable-diffusion-v1-4"

# Use the Euler scheduler here instead
scheduler = EulerDiscreteScheduler.from_pretrained(model_id, subfolder="scheduler")
pipe = StableDiffusionPipeline.from_pretrained(model_id, scheduler=scheduler, 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")

JAX/Flax

import jax
import numpy as np
from flax.jax_utils import replicate
from flax.training.common_utils import shard

from diffusers import FlaxStableDiffusionPipeline

pipeline, params = FlaxStableDiffusionPipeline.from_pretrained(
    "CompVis/stable-diffusion-v1-4", revision="flax", dtype=jax.numpy.bfloat16
)

prompt = "a photo of an astronaut riding a horse on mars"

prng_seed = jax.random.PRNGKey(0)
num_inference_steps = 50

num_samples = jax.device_count()
prompt = num_samples * [prompt]
prompt_ids = pipeline.prepare_inputs(prompt)

# shard inputs and rng
params = replicate(params)
prng_seed = jax.random.split(prng_seed, num_samples)
prompt_ids = shard(prompt_ids)

images = pipeline(prompt_ids, params, prng_seed, num_inference_steps, jit=True).images
images = pipeline.numpy_to_pil(np.asarray(images.reshape((num_samples,) + images.shape[-3:])))

📚 详细文档

模型详情

使用场景

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。

禁止使用

该模型不得用于故意创建或传播对人造成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。

超出适用范围的使用

该模型并非用于生成对人或事件的事实或真实表示，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的色情内容。
• 错误和虚假信息。
• 令人震惊的暴力和血腥场面的表示。
• 违反版权或许可材料使用条款的共享。
• 违反版权或许可材料使用条款的对其进行修改后的内容的共享。

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 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。稳定扩散 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不如使用英语提示。

安全模块

该模型的预期用途是与 Diffusers 中的 安全检查器 一起使用。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，以降低逆向工程此过滤器的可能性。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。

训练信息

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

稳定扩散 v1-4 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的噪声与 UNet 预测之间的重建目标。

目前提供四个检查点，训练方式如下：

• stable-diffusion-v1-1：在 laion2B-en 上以分辨率 256x256 进行 237,000 步训练。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 194,000 步训练。
• 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 进行 515,000 步训练。
• stable-diffusion-v1-3：从 stable-diffusion-v1-2 继续训练。在 “laion-improved-aesthetics” 上以分辨率 512x512 进行 195,000 步训练，并以 10% 的概率丢弃文本条件，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 进行 225,000 步训练，并以 10% 的概率丢弃文本条件，以改进 无分类器引导采样。

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 PLMS 采样步骤进行评估，结果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，在 512x512 分辨率下进行评估。未针对 FID 分数进行优化。

环境影响

稳定扩散 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：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 基于电网位置产生的碳）：11250 kg CO2 当量

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}
    }

本模型卡由 Robin Rombach 和 Patrick Esser 编写，基于 DALL-E Mini 模型卡。

📄 许可证

该模型使用 CreativeML OpenRAIL M 许可证。请仔细阅读完整的许可证：https://huggingface.co/spaces/CompVis/stable-diffusion-license。

⚠️ 重要提示

该模型是开放访问的，可供所有人使用，CreativeML OpenRAIL-M 许可证进一步规定了权利和使用方式。

1. 您不能使用该模型故意生成或共享非法或有害的输出或内容。
2. 作者对您生成的输出不主张任何权利，您可以自由使用它们，并对其使用负责，其使用不得违反许可证中规定的条款。
3. 您可以重新分发权重，并将该模型用于商业用途和/或作为服务使用。如果您这样做，请务必包含与许可证中相同的使用限制，并向所有用户共享一份 CreativeML OpenRAIL-M 许可证（请仔细阅读完整的许可证）。

💡 使用建议

• 如果您的 GPU 内存有限，且可用的 GPU RAM 少于 4GB，请确保以 float16 精度加载 StableDiffusionPipeline，而不是上述默认的 float32 精度。
• 如果您受 TPU 内存限制，请确保以 bfloat16 精度加载 FlaxStableDiffusionPipeline，而不是上述默认的 float32 精度。