Stable Diffusion 2 Base

🚀 Stable Diffusion v2-base模型卡片

Stable Diffusion v2-base是一个基于文本生成图像的模型，它能够根据输入的文本提示生成高质量的图像。该模型在图像生成领域具有广泛的应用，如艺术创作、设计等。

🚀 快速开始

• 使用stablediffusion仓库：可从此处下载512-base-ema.ckpt。
• 使用🧨diffusers库。

✨ 主要特性

• 基于扩散模型的文本到图像生成模型，可根据文本提示生成和修改图像。
• 使用固定的预训练文本编码器（OpenCLIP-ViT/H）的潜在扩散模型。

📦 安装指南

使用🤗的Diffusers库可以简单高效地运行Stable Diffusion 2。

pip install diffusers transformers accelerate scipy safetensors

💻 使用示例

基础用法

运行管道（如果不更换调度器，它将使用默认的PNDM/PLMS调度器，在本示例中，我们将其更换为EulerDiscreteScheduler）：

from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler
import torch

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

# 在此处使用Euler调度器
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")

高级用法

> ⚠️ **重要提示**
> 
> 尽管不是必需依赖项，但我们强烈建议你安装[xformers](https://github.com/facebookresearch/xformers)以实现内存高效的注意力机制（更好的性能）。

> 💡 **使用建议**
> 
> 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（以速度为代价）。

📚 详细文档

模型详情

用途

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。

滥用、恶意使用和超出范围的使用

该模型不应被用于故意创建或传播对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、宗教等的表现形式。
  • 故意推广或传播歧视性内容或有害的刻板印象。
  • 在未经个人同意的情况下冒充个人。
  • 在可能看到的人未同意的情况下生成性内容。
  • 错误信息和虚假信息。
  • 严重暴力和血腥的表现形式。
  • 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的材料进行修改的内容。

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“一个红色立方体放在蓝色球体上”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。为了部分缓解这一问题，我们使用LAION的NSFW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 v2主要在LAION-2B(en)的子集上进行训练，该子集由仅限于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值。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能力。Stable Diffusion v2反映并加剧了偏差，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检测器进一步过滤，“p_unsafe”分数为0.1（保守）。有关更多详细信息，请参阅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中的噪声与UNet所做预测之间的重建目标。我们还使用所谓的_v目标_，详见https://arxiv.org/abs/2202.00512。

目前提供以下检查点：

• 512-base-ema.ckpt：在LAION-5B的一个子集上以分辨率256x256训练550k步，该子集过滤了明确的色情材料，使用LAION-NSFW分类器，punsafe=0.1，美学分数 >= 4.5。然后在相同数据集上以分辨率>= 512x512的图像上以分辨率512x512再训练850k步。
• 768-v-ema.ckpt：从512-base-ema.ckpt继续训练，在相同数据集上使用v目标训练150k步。然后在数据集的768x768子集上再训练140k步。
• 512-depth-ema.ckpt：从512-base-ema.ckpt继续训练并微调200k步。添加一个额外的输入通道来处理由MiDaS (dpt_hybrid)产生的（相对）深度预测，作为额外的条件。处理此额外信息的UNet的额外输入通道初始化为零。
• 512-inpainting-ema.ckpt：从512-base-ema.ckpt继续训练200k步。遵循LAMA中提出的掩码生成策略，结合掩码图像的潜在VAE表示，作为额外的条件。处理此额外信息的UNet的额外输入通道初始化为零。使用相同的策略训练了1.5-inpainting检查点。
• x4-upscaling-ema.ckpt：在包含图像>2048x2048的LAION的10M子集上训练1250k步。模型在大小为512x512的裁剪上进行训练，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。

训练参数

• 硬件：32 x 8 x A100 GPU
• 优化器：AdamW
• 梯度累积：1
• 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步DDIM采样步进行评估，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、云提供商和计算区域来估计碳影响。

• 硬件类型：A100 PCIe 40GB
• 使用小时数：200000
• 云提供商：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}
}

本模型卡片由Robin Rombach、Patrick Esser和David Ha撰写，基于Stable Diffusion v1和DALL-E Mini模型卡片。

📄 许可证

本模型使用CreativeML Open RAIL++-M许可证。