🚀 Stable Diffusion v2-1-base 模型卡片

Stable Diffusion v2-1-base 是一个基于文本生成图像的模型，它在 Stable Diffusion v2-base 基础上进行微调，能根据文本提示生成和修改图像。同时，该模型权重已转换为 Core ML 格式，可在 Apple Silicon 硬件上使用。

🚀 快速开始

• 搭配 🧨 diffusers 使用。
• 搭配 stablediffusion 仓库使用：点击 此处 下载 v2-1_512-ema-pruned.ckpt。

✨ 主要特性

• 基于文本生成图像，可用于艺术创作、设计等领域。
• 权重转换为 Core ML 格式，支持在 Apple Silicon 硬件上运行。
• 有 4 种 Core ML 权重变体可供选择。

📦 安装指南

文档未提及具体安装步骤，可参考相关仓库说明进行安装。

💻 使用示例

文档未提供具体代码示例，你可以参考相关仓库获取使用示例。

📚 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}
}

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。
• 探究和理解生成模型的局限性和偏差。
• 生成艺术作品并应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使用

模型不应被用于故意创建或传播对人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。

• 超出范围使用：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刻板印象。
  • 在未经个人同意的情况下冒充个人。
  • 未经可能看到的人的同意生成性内容。
  • 错误信息和虚假信息。
  • 令人震惊的暴力和血腥表现。
  • 违反版权或许可材料使用条款分享此类材料。
  • 违反版权或许可材料使用条款分享对其进行修改的内容。

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 “一个红色立方体在蓝色球体上” 对应的图像。
• 面部和人物一般可能无法正确生成。
• 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 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。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。此外，模型使用非英语提示生成内容的能力明显比使用英语提示时差。Stable Diffusion v2 反映并加剧了偏差，无论输入或其意图如何，都必须建议查看者谨慎使用。

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 预测之间的重建目标。我们还使用所谓的 v-objective，见 https://arxiv.org/abs/2202.00512。

目前提供以下不同版本的检查点：

版本 2.1

• 512-base-ema.ckpt：在 512-base-ema.ckpt 2.0 基础上微调 220k 步，在相同数据集上 punsafe=0.98。
• 768-v-ema.ckpt：从 768-v-ema.ckpt 2.0 恢复训练，在相同数据集上额外训练 55k 步（punsafe=0.1），然后再以 punsafe=0.98 微调 155k 步。

版本 2.0

• 512-base-ema.ckpt：在 LAION-5B 的一个过滤了明确色情内容的子集上，以 256x256 分辨率训练 550k 步，使用 LAION-NSFW 分类器 且 punsafe=0.1，美学分数 >= 4.5。在相同数据集上以 512x512 分辨率（分辨率 >= 512x512）训练 850k 步。
• 768-v-ema.ckpt：从 512-base-ema.ckpt 恢复训练，在相同数据集上使用 v-objective 训练 150k 步。在数据集的 768x768 子集上再训练 140k 步。
• 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，作为额外的条件。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 恢复训练并再训练 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 U-Net 额外输入通道初始化为零。使用相同策略训练 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 512x512 大小的裁剪图像上训练，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 GPUs
• 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 10000 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。未针对 FID 分数进行优化。

环境影响

Stable Diffusion v1 估计排放量

根据该信息，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
• 使用小时数：200000
• 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 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 Pedro Cuenca 从 Robin Rombach、Patrick Esser 和 David Ha 撰写的原始版本改编而来，基于 Stable Diffusion v1 和 DALL-E Mini 模型卡片。