许可证：creativeml-openrail-m
标签：

• stable-diffusion
• stable-diffusion-diffusers
• text-to-image
  推理：false
  库名称：diffusers

Stable Diffusion 图像修复模型卡片

⚠️ 此仓库是已弃用的 ruwnayml/stable-diffusion-inpainting 的镜像，此仓库或组织与 RunwayML 无任何关联。

对原始模型卡片的修改以红色或绿色标注。

Stable Diffusion Inpainting 是一种基于潜在扩散的文本生成图像模型，能够根据文本输入生成逼真的图像，并具备通过遮罩修复图像的额外功能。

Stable-Diffusion-Inpainting 模型以 Stable-Diffusion-v-1-2 的权重初始化。首先进行了 595k 步的常规训练，随后在“laion-aesthetics v2 5+”数据集上以 512x512 分辨率进行了 440k 步的图像修复训练，并采用 10% 的文本条件丢弃以改进无分类器无分类器引导采样。对于图像修复，UNet 增加了 5 个输入通道（4 个用于编码的遮罩图像，1 个用于遮罩本身），这些通道的权重在恢复非修复检查点后初始化为零。训练过程中，我们生成合成遮罩，并在 25% 的情况下完全遮罩图像。

在 Spaces 中打开

示例：

您可以通过 🧨Diffusers 库 和 RunwayML GitHub 仓库（现已弃用）或 Automatic1111 使用此模型。

使用 Diffusers

from diffusers import StableDiffusionInpaintPipeline  

pipe = StableDiffusionInpaintPipeline.from_pretrained(  
    "sd-legacy/stable-diffusion-inpainting",  
    revision="fp16",  
    torch_dtype=torch.float16,  
)  
prompt = "黄色猫的脸，高分辨率，坐在公园长椅上"  
#image 和 mask_image 应为 PIL 图像。  
#遮罩结构为白色部分进行修复，黑色部分保持不变  
image = pipe(prompt=prompt, image=image, mask_image=mask_image).images[0]  
image.save("./yellow_cat_on_park_bench.png")  

工作原理：

image	mask_image

prompt	Output
黄色猫的脸，高分辨率，坐在公园长椅上

使用原始 GitHub 仓库 或 AUTOMATIC1111

1. 下载权重 sd-v1-5-inpainting.ckpt
2. 按照此处的说明操作（现已弃用）。
3. 使用 AUTOMATIC1111

模型详情

• 开发者： Robin Rombach, Patrick Esser

• 模型类型： 基于扩散的文本生成图像模型

• 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 AI 许可领域的联合工作。另请参阅 关于 BLOOM Open RAIL 许可证的文章，我们的许可证基于此。

• 模型描述： 这是一个可以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，使用了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}  
  }  
  

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见。
• 生成艺术作品并用于设计和其他艺术过程。
• 教育或创意工具中的应用。
• 生成模型的研究。

以下用途被排除在外。

滥用、恶意使用和超出范围的用途

注：本节取自 DALLE-MINI 模型卡片，但同样适用于 Stable Diffusion v1。

该模型不应被用于故意创建或传播为人们制造敌对或疏远环境的图像。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。

超出范围的用途

该模型未经过训练以生成事实或真实的人物或事件表示，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忍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个人或其环境、文化、宗教等的内容。
• 故意宣传或传播歧视性内容或有害刻板印象。
• 未经同意冒充个人。
• 未经可能看到的人同意生成性内容。
• 错误和虚假信息。
• 极端暴力和血腥的表示。
• 违反使用条款共享受版权或许可的材料。
• 违反使用条款共享受版权或许可材料的修改版本。

局限性和偏见

局限性

• 该模型无法实现完美的照片真实感。
• 该模型无法生成可读的文本。
• 该模型在涉及组合性的更复杂任务上表现不佳，例如生成“蓝色球体上的红色立方体”对应的图像。
• 面部和人物可能无法正确生成。
• 该模型主要使用英文标题进行训练，在其他语言中表现不佳。
• 模型的自动编码部分是有损的。
• 该模型在大规模数据集 LAION-5B 上训练，其中包含成人内容，未经额外的安全机制和考虑不适合产品使用。
• 未使用额外的去重措施。因此，我们观察到训练数据中重复图像的某种程度的记忆。可以通过 https://rom1504.github.io/clip-retrieval/ 搜索训练数据，可能有助于检测记忆图像。

偏见

尽管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见。
Stable Diffusion v1 在 LAION-2B(en) 的子集上训练，
这些图像主要限于英文描述。
使用其他语言的社区和文化的文本和图像可能未被充分代表。
这影响了模型的整体输出，因为白色和西方文化通常被设为默认。此外，
模型使用非英文提示生成内容的能力明显不如使用英文提示。

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，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。训练期间：

• 图像通过编码器编码，将图像转换为潜在表示。自动编码器使用 8 的相对下采样因子，将形状为 H x W x 3 的图像映射为形状为 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。

我们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，它们的训练方式如下：

• sd-v1-1.ckpt：在 laion2B-en 上以 256x256 分辨率训练 237k 步。
  在 laion-high-resolution（来自 LAION-5B 的 170M 示例，分辨率 >= 1024x1024）上以 512x512 分辨率训练 194k 步。

• sd-v1-2.ckpt：从 sd-v1-1.ckpt 继续训练。
  在“laion-improved-aesthetics”（laion2B-en 的子集，过滤出原始大小 >= 512x512、估计美学分数 > 5.0 和估计水印概率 < 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 估计）上以 512x512 分辨率训练 515k 步。

• sd-v1-3.ckpt：从 sd-v1-2.ckpt 继续训练。在“laion-improved-aesthetics”上以 512x512 分辨率训练 195k 步，并采用 10% 的文本条件丢弃以改进 无分类器引导采样。

• sd-v1-4.ckpt：从 stable-diffusion-v1-2 继续训练。在“laion-aesthetics v2 5+”上以 512x512 分辨率训练 225,000 步，并采用 10% 的文本条件丢弃以改进 无分类器引导采样。

• sd-v1-5.ckpt：从 sd-v1-2.ckpt 继续训练。在“laion-aesthetics v2 5+”上以 512x512 分辨率训练 595k 步，并采用 10% 的文本条件丢弃以改进无分类器引导采样。

• sd-v1-5-inpaint.ckpt：从 sd-v1-2.ckpt 继续训练。在“laion-aesthetics v2 5+”上以 512x512 分辨率训练 595k 步，并采用 10% 的文本条件丢弃以改进无分类器引导采样。随后在“laion-aesthetics v2 5+”上以 512x512 分辨率进行 440k 步的图像修复训练，并采用 10% 的文本条件丢弃。对于图像修复，UNet 增加了 5 个输入通道（4 个用于编码的遮罩图像，1 个用于遮罩本身），这些通道的权重在恢复非修复检查点后初始化为零。训练过程中，我们生成合成遮罩，并在 25% 的情况下完全遮罩图像。

• 硬件： 32 x 8 x A100 GPU

• 优化器： AdamW

• 梯度累积： 2

• 批次大小： 32 x 8 x 2 x 4 = 2048

• 学习率： 在前 10,000 步预热至 0.0001，随后保持恒定

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，各检查点的相对改进如下：

使用 50 步 PLMS 和来自 COCO2017 验证集的 10000 个随机提示进行评估，评估分辨率为 512x512。未针对 FID 分数优化。

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 相同的评估协议。由于 Stable Diffusion Inpainting 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

Stable Diffusion v1 预计排放量
基于这些信息，我们使用 Lacoste et al. (2019) 中提出的 机器学习影响计算器 估算了以下 CO2 排放量。硬件、运行时间、云服务提供商和计算区域用于估算碳排放影响。

• 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
• 碳排放量（功耗 x 时间 x 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}  
    }  

此模型卡片由 Robin Rombach 和 Patrick Esser 编写，基于 DALL-E Mini 模型卡片。