14t6

🚀 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。它基于潜在扩散模型，使用固定的预训练文本编码器，能高效地根据输入的英文文本生成相应图像。

🚀 快速开始

你可以通过以下两种方式使用该模型：

• 使用 stablediffusion 仓库：点击 此处 下载 v2-1_768-ema-pruned.ckpt。
• 使用 🧨 diffusers

✨ 主要特性

• 文本到图像生成：基于文本提示生成和修改图像。
• 潜在扩散模型：结合自编码器和扩散模型，在自编码器的潜在空间中训练。
• 固定预训练文本编码器：使用 OpenCLIP-ViT/H 进行文本编码。

📦 安装指南

使用 🤗 的 Diffusers 库 可以简单高效地运行 Stable Diffusion 2，运行以下命令进行安装：

pip install diffusers transformers accelerate scipy safetensors

💻 使用示例

基础用法

运行以下代码（如果不更换调度器，将使用默认的 DDIM 运行，此示例中我们将其更换为 DPMSolverMultistepScheduler）：

from diffusers import StableDiffusionPipeline, DPMSolverMultistepScheduler

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

# Use the DPMSolverMultistepScheduler (DPM-Solver++) scheduler here instead
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

注意：

• 尽管不是必需依赖，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）。

📚 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。
• 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。

排除的使用情况如下所述。

滥用、恶意使用和超出范围的使用

注意：本节内容最初取自 DALLE-MINI 模型卡片，曾用于 Stable Diffusion v1，但同样适用于 Stable Diffusion v2。

该模型不应被用于故意创建或传播为人们营造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此模型的能力范围。

滥用和恶意使用

使用该模型生成对个人残忍的内容是对该模型的滥用。这包括但不限于：

• 生成对人或其环境、文化、宗教等有贬低、非人性化或其他有害的表现形式。
• 故意宣传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而生成色情内容。
• 虚假和误导性信息。
• 令人震惊的暴力和血腥内容。
• 违反使用条款分享受版权保护或有许可的材料。
• 违反使用条款分享对受版权保护或有许可的材料进行修改后的内容。

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。
• 模型主要使用英文标题进行训练，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、暴力和色情内容。为部分缓解此问题，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，该数据集由仅限于英文描述的图像组成。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值。此外，模型使用非英文提示生成内容的能力明显低于使用英文提示的情况。Stable Diffusion v2 反映并加剧了这种偏差，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 检测器进行进一步过滤，“p_unsafe” 分数为 0.1（保守值）。有关更多详细信息，请参考 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，它将自编码器与在自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 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。

我们目前提供以下检查点：

• 512-base-ema.ckpt：在 LAION-5B 的一个子集上以 256x256 分辨率进行 550k 步训练，该子集使用 LAION-NSFW 分类器 过滤掉明确的色情材料，punsafe=0.1 且 美学分数 >= 4.5。在相同数据集上以 512x512 分辨率进行 850k 步训练，该数据集分辨率 >= 512x512。

• 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 进行 150k 步训练。在我们数据集的 768x768 子集上再进行 140k 步训练。

• 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，该预测用作额外的条件。处理此额外信息的 U-Net 额外输入通道初始化为零。

• 512-inpainting-ema.ckpt：从 512-base-ema.ckpt 恢复训练并进行 200k 步训练。遵循 LAMA 中提出的掩码生成策略，该策略与掩码图像的潜在 VAE 表示相结合，用作额外的条件。处理此额外信息的 U-Net 额外输入通道初始化为零。用于训练 1.5-inpainting 检查点 的策略相同。

• x4-upscaling-ema.ckpt：在包含 >2048x2048 图像的 LAION 的 10M 子集上进行 1.25M 步训练。模型在大小为 512x512 的裁剪图像上进行训练，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。

• 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 步 DDIM 采样步骤进行评估，显示了检查点的相对改进：

使用 50 个 DDIM 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

Stable Diffusion v1 估计排放量

基于该信息，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.

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。