🚀 Mobius：重新定义去偏扩散模型的技术前沿

Mobius 是一款扩散模型，它突破了领域无关去偏和表征重新对齐的界限。通过采用全新的建设性解构框架，Mobius 在众多风格和领域中实现了无与伦比的泛化能力，无需从头进行昂贵的预训练。

🚀 快速开始

运行环境要求

• CFG 取值范围在 3.5 到 7 之间：
  • 3.5 适用于极致写实和皮肤细节处理。
  • 7 适用于艺术、动漫、超现实主义等风格。
• 需要 CLIP 跳过值为 -3。
• 采样器：DPM++ 3M SDE。
• 调度器：Karras。
• 步数：50。
• 分辨率：1024x1024。

同时，建议在提示词中使用以下关键词来提升效果：最佳质量、高清、'~~美学~~'。

使用 🧨 diffusers 库运行示例

import torch
from diffusers import (
    StableDiffusionXLPipeline, 
    KDPM2AncestralDiscreteScheduler,
    AutoencoderKL
)

# 加载 VAE 组件
vae = AutoencoderKL.from_pretrained(
    "madebyollin/sdxl-vae-fp16-fix", 
    torch_dtype=torch.float16
)

# 配置管道
pipe = StableDiffusionXLPipeline.from_pretrained(
    "Corcelio/mobius", 
    vae=vae,
    torch_dtype=torch.float16
)
pipe.scheduler = KDPM2AncestralDiscreteScheduler.from_config(pipe.scheduler.config)
pipe.to('cuda')

# 定义提示词并生成图像
prompt = "mystery"
negative_prompt = ""

image = pipe(
    prompt, 
    negative_prompt=negative_prompt, 
    width=1024,
    height=1024,
    guidance_scale=7,
    num_inference_steps=50,
    clip_skip=3
).images[0]


image.save("generated_image.png")

✨ 主要特性

领域无关去偏：开创性方法

领域无关去偏是由 Corcel 首创的一种新技术。这种创新方法旨在消除扩散模型中固有的偏差，同时不限制其在不同领域的泛化能力。传统的去偏方法通常专注于特定领域或风格，导致模型难以适应新的或未见过的场景。相比之下，领域无关去偏确保模型在保持通用性和适应性的同时保持无偏性。

领域无关去偏的关键在于建设性解构框架。该框架允许对偏差和表征进行细粒度的重新处理，而无需从头进行预训练。这一开创性方法的技术细节将在即将发表的研究论文《Constructive Deconstruction: Domain-Agnostic Debiasing of Diffusion Models》中进行讨论，该论文将在 Corcel.io 网站和科学出版物上发布。

通过应用领域无关去偏，Mobius 在图像生成的公平性和公正性方面树立了新的标准，同时保持了其在广泛风格和领域的卓越适应能力。

超越当前技术水平

Mobius 在几个关键方面超越了现有的先进扩散模型：

• 无偏生成：Mobius 生成的图像几乎没有其他扩散模型中常见的固有偏差，为所有领域的公平性和公正性树立了新的标杆。
• 卓越的泛化能力：凭借其无与伦比的适应广泛风格和领域的能力，Mobius 始终能提供高质量的结果，超越了以往模型的局限性。
• 高效的微调：Mobius 基础模型是创建针对特定任务或领域的专业模型的优质基础，与其他先进模型相比，所需的微调工作量和计算资源显著减少。

💻 使用示例

基础用法

以下是使用 🧨 diffusers 库调用 Mobius 模型生成图像的基础示例：

import torch
from diffusers import (
    StableDiffusionXLPipeline, 
    KDPM2AncestralDiscreteScheduler,
    AutoencoderKL
)

# 加载 VAE 组件
vae = AutoencoderKL.from_pretrained(
    "madebyollin/sdxl-vae-fp16-fix", 
    torch_dtype=torch.float16
)

# 配置管道
pipe = StableDiffusionXLPipeline.from_pretrained(
    "Corcelio/mobius", 
    vae=vae,
    torch_dtype=torch.float16
)
pipe.scheduler = KDPM2AncestralDiscreteScheduler.from_config(pipe.scheduler.config)
pipe.to('cuda')

# 定义提示词并生成图像
prompt = "mystery"
negative_prompt = ""

image = pipe(
    prompt, 
    negative_prompt=negative_prompt, 
    width=1024,
    height=1024,
    guidance_scale=7,
    num_inference_steps=50,
    clip_skip=3
).images[0]


image.save("generated_image.png")

📄 许可证

本项目采用 Apache-2.0 许可证。

📚 详细文档

示例提示词与输出

📝 致谢

本项目由 Corcel 开发 [ https://corcel.io/ ]。