Coreml Stable Diffusion 2 1 Base

🚀 Stable Diffusion v2 模型卡片

Stable Diffusion v2 是一个基于扩散的文本到图像生成模型，可根据文本提示生成和修改图像。本模型由 Hugging Face 使用 Apple 的仓库 生成，该仓库采用 ASCL 许可证。

🚀 快速开始

• 使用 diffusers：可参考 示例 进行使用。
• 使用 stablediffusion 仓库：从 这里 下载 512-base-ema.ckpt 文件。

✨ 主要特性

• 多变体支持：提供了 4 种 Core ML 权重变体，包括不同的注意力机制和推理方式，适用于 Swift 和 Python 推理。
• 跨平台使用：可在 Apple Silicon 硬件上使用，也可结合不同的库和仓库进行调用。

📦 安装指南

文档未提及具体安装命令，故跳过此章节。

💻 使用示例

文档未提供代码示例，故跳过此章节。

📚 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。

禁止使用情况

该模型不应被用于故意创建或传播对人造成敌意或疏离环境的图像，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：该模型未经过训练以真实或准确地表示人物或事件，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属于滥用行为，包括但不限于生成贬低、非人化或其他有害的人物或其环境、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；未经同意冒充个人；未经可能看到的人的同意生成性内容；虚假和误导性信息；严重暴力和血腥的表示；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材料的修改内容。

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，例如渲染与 “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，在其他语言上的表现不佳。
• 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](https://laion.ai/blog/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。为部分缓解此问题，使用 LAION 的 NFSW 检测器对数据集进行了过滤。

偏差

图像生成模型虽然功能强大，但也可能强化或加剧社会偏差。Stable Diffusion v2 主要在 [LAION - 2B(en)](https://laion.ai/blog/laion - 5b/) 的子集上进行训练，该数据集的图像描述仅限于英语。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，因为白人文化和西方文化通常被设为默认。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。Stable Diffusion v2 反映并加剧了偏差，因此无论输入或意图如何，都建议观众谨慎使用。

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）。训练数据进一步使用 LAION 的 NSFW 检测器进行过滤，“p_unsafe” 分数为 0.1（保守）。更多详情请参考 LAION - 5B 的 [NeurIPS 2022](https://openreview.net/forum?id = M3Y74vmsMcY) 论文和相关评审讨论。

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 预测之间的重建目标，还使用了所谓的 “v - 目标”，详情见 https://arxiv.org/abs/2202.00512。

环境影响

基于 Lacoste 等人 (2019) 提出的 机器学习影响计算器，估计 Stable Diffusion v1 的 CO2 排放量如下：

🔧 技术细节

文档未提供足够具体的技术说明（>50 字），故跳过此章节。

📄 许可证

本模型的许可证为 CreativeML Open RAIL++ - M 许可证。