许可证：其他
标签：

• 稳定扩散
• 文本生成图像
• 核心机器学习

Stable Diffusion v2 模型卡

此模型由 Hugging Face 使用 Apple 的代码库 生成，该代码库遵循 ASCL 许可证。

本模型卡重点介绍与 Stable Diffusion v2 模型相关的信息，该模型可在此处获取。

模型在分辨率 256x256 下从零开始训练了 55 万步，训练数据为 LAION-5B 的子集，并使用 LAION-NSFW 分类器过滤了露骨的色情内容（punsafe=0.1），同时要求美学评分 ≥ 4.5。随后，模型在相同数据集上以分辨率 512x512 进一步训练了 85 万步，仅使用分辨率 ≥ 512x512 的图像。

此处提供的权重已转换为 Core ML 格式，适用于 Apple Silicon 硬件。

Core ML 权重包含 4 种变体：

coreml-stable-diffusion-2-base  
├── original  
│   ├── compiled              # Swift 推理，使用 "original" 注意力机制  
│   └── packages              # Python 推理，使用 "original" 注意力机制  
└── split_einsum  
    ├── compiled              # Swift 推理，使用 "split_einsum" 注意力机制  
    └── packages              # Python 推理，使用 "split_einsum" 注意力机制  

详情请参考 https://huggingface.co/blog/diffusers-coreml。

• 与 🧨 diffusers 一起使用
• 与 stablediffusion 代码库一起使用：下载 512-base-ema.ckpt 此处。

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 Open RAIL++-M 许可证

• 模型描述： 该模型可用于根据文本提示生成和修改图像。它是一种潜在扩散模型，使用固定的预训练文本编码器（OpenCLIP-ViT/H）。

• 更多信息： GitHub 代码库。

• 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与偏见。
• 生成艺术作品并用于设计和艺术创作。
• 教育或创意工具中的应用。
• 生成模型的研究。

以下用途不在适用范围内。

滥用、恶意使用及超范围使用

注：本节内容最初取自 DALLE-MINI 模型卡，适用于 Stable Diffusion v1，同样适用于 Stable Diffusion v2。

该模型不得用于故意创建或传播制造敌对或疏离环境的图像。包括生成可能令人不安、痛苦或冒犯的内容，或传播历史或当前刻板印象的内容。

超范围使用

该模型未训练为生成人物或事件的真实表示，因此用其生成此类内容超出了模型的能力范围。

滥用与恶意使用

使用模型生成对个体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环境、文化、宗教等内容。
• 故意推广或传播歧视性内容或有害刻板印象。
• 未经同意冒充他人。
• 未经观看者同意的色情内容。
• 虚假和误导性信息。
• 极端暴力和血腥内容。
• 违反使用条款分享受版权或许可保护的内容。
• 违反使用条款分享对受版权或许可保护内容的修改版本。

局限性与偏见

局限性

• 模型无法实现完美的照片级真实感。
• 模型无法生成清晰的文本。
• 模型在涉及组合性的复杂任务上表现不佳，例如生成“蓝色球体上的红色立方体”图像。
• 面部和人物可能无法正确生成。
• 模型主要使用英文标题训练，对其他语言效果不佳。
• 模型的自动编码部分存在信息损失。
• 模型训练数据为大规模数据集 LAION-5B 的子集，其中包含成人、暴力和色情内容。为部分缓解此问题，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 v2 主要在 LAION-2B(en) 的子集上训练，这些图像仅限于英文描述。
使用其他语言的社区和文化中的文本和图像可能未被充分涵盖。
这影响了模型的整体输出，因为白人和西方文化通常被设为默认。此外，模型生成非英文提示内容的能力显著弱于英文提示。
Stable Diffusion v2 反映并放大了偏见，因此无论输入或其意图如何，均需谨慎对待。

训练

训练数据
模型开发者使用以下数据集训练模型：

• LAION-5B 及其子集（详情如下）。训练数据进一步使用 LAION 的 NSFW 检测器过滤，设置保守的 p_unsafe=0.1。更多细节请参考 LAION-5B 的 NeurIPS 2022 论文及相关讨论。

训练过程
Stable Diffusion v2 是一种潜在扩散模型，结合了自动编码器和在自动编码器潜在空间中训练的扩散模型。训练过程中：

• 图像通过编码器转换为潜在表示。自动编码器使用 8 倍下采样，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 OpenCLIP-ViT/H 文本编码器编码。
• 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。
• 损失函数是潜在空间中添加的噪声与 UNet 预测之间的重建目标。我们还使用了所谓的 v-目标，详见 https://arxiv.org/abs/2202.00512。

目前提供以下检查点：

• 512-base-ema.ckpt：在分辨率 256x256 下训练 55 万步，使用 LAION-5B 的子集，过滤露骨色情内容（punsafe=0.1，美学评分 ≥ 4.5）。随后在分辨率 512x512 下训练 85 万步，使用相同数据集中分辨率 ≥ 512x512 的图像。

• 768-v-ema.ckpt：从 512-base-ema.ckpt 继续训练，使用 v-目标 训练 15 万步。随后在数据集的 768x768 子集上继续训练 14 万步。

• 512-depth-ema.ckpt：从 512-base-ema.ckpt 继续训练，微调 20 万步。添加额外输入通道处理 MiDaS 生成的（相对）深度预测（dpt_hybrid），作为额外条件。UNet 的额外输入通道为零初始化。

• 512-inpainting-ema.ckpt：从 512-base-ema.ckpt 继续训练，训练 20 万步。采用 LAMA 提出的掩码生成策略，结合掩码图像的潜在 VAE 表示作为额外条件。UNet 的额外输入通道为零初始化。相同策略用于训练 1.5-inpainting 检查点。

• x4-upscaling-ema.ckpt：在包含 >2048x2048 图像的 LAION 10M 子集上训练 125 万步。模型在 512x512 裁剪尺寸上训练，是一种文本引导的潜在上采样扩散模型。除文本输入外，还接收 noise_level 作为输入参数，用于根据预定义扩散计划向低分辨率输入添加噪声。

• 硬件： 32 x 8 x A100 GPU

• 优化器： AdamW

• 梯度累积： 1

• 批量大小： 32 x 8 x 2 x 4 = 2048

• 学习率： 前 1 万步预热至 0.0001，随后保持恒定

评估结果

使用不同分类器自由引导尺度（1.5、2.0、3.0、4.0、5.0、6.0、7.0、8.0）和 50 步 DDIM 采样的评估结果显示了各检查点的相对改进：

评估使用 50 步 DDIM 采样和 COCO2017 验证集中的 1 万条随机提示，分辨率为 512x512。未针对 FID 分数优化。

环境影响

Stable Diffusion v1 预估排放量
基于以下信息，我们使用 Lacoste 等人 (2019) 提出的 机器学习影响计算器 估算二氧化碳排放量。硬件、运行时间、云服务提供商和计算区域用于估算碳影响。

• 硬件类型： A100 PCIe 40GB
• 使用时长： 20 万小时
• 云服务提供商： AWS
• 计算区域： 美国东部
• 碳排放量（功耗 × 时间 × 电网碳排放系数）： 15000 千克 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}  
}  

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