license: openrail++ tags:

• 稳定扩散
• 文生图

Stable Diffusion v2 模型卡片

本文档重点介绍与Stable Diffusion v2模型相关的信息，该模型可在此处获取。

本stable-diffusion-2模型基于stable-diffusion-2-base（512-base-ema.ckpt）继续训练，使用v目标函数在同一数据集上训练了15万步。随后在768x768分辨率图像上继续训练了14万步。

• 配合stablediffusion代码库使用：在此下载768-v-ema.ckpt文件
• 配合🧨diffusers库使用

模型详情

• 开发团队: Robin Rombach, Patrick Esser

• 模型类型: 基于扩散的文本生成图像模型

• 支持语言: 英语

• 许可协议: CreativeML Open RAIL++-M许可证

• 模型描述: 本模型可根据文本提示生成和修改图像，是基于潜在扩散模型架构，使用固定预训练文本编码器(OpenCLIP-ViT/H)。

• 更多资源: GitHub仓库

• 引用格式:

  @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}
  }
  

使用示例

通过🤗的Diffusers库简单高效地运行Stable Diffusion 2：

pip install diffusers transformers accelerate scipy safetensors

运行管道（若不更换调度器则默认使用DDIM，本例中我们切换为EulerDiscreteScheduler）：

from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler

model_id = "stabilityai/stable-diffusion-2"

# 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 = "火星上宇航员骑马的照片"
image = pipe(prompt).images[0]
    
image.save("astronaut_rides_horse.png")

注意事项：

• 虽非必需依赖，但强烈建议安装xformers以实现高效注意力机制（提升性能）
• 若GPU显存有限，在转移到cuda后请添加pipe.enable_attention_slicing()以减少显存占用（会降低速度）

用途

直接用途

本模型仅限研究用途，可能的研究方向包括：

• 安全部署可能生成有害内容的模型
• 探究生成模型的局限性和偏见
• 艺术创作及设计应用
• 教育或创意工具开发
• 生成模型研究

以下为禁止用途说明。

滥用、恶意使用及超范围使用

注：本节内容最初源自DALLE-MINI模型卡片，适用于Stable Diffusion v1，同样适用于v2版本。

禁止使用本模型故意创建或传播制造敌意或排斥性环境的内容。包括但不限于：

• 生成令人不安、痛苦或冒犯性的图像
• 传播历史或现存刻板印象
• 未经同意的个人模仿
• 非合意性内容
• 虚假和误导信息
• 极端暴力与血腥内容
• 违反版权协议的素材分享
• 违反许可条款的改编内容

局限性与偏见

局限性

• 无法实现完美照片级真实感
• 无法生成清晰文本
• 复杂组合任务表现欠佳（如"蓝色球体上的红色立方体"）
• 人脸和人体生成可能不准确
• 主要基于英语训练，其他语言效果较差
• 自编码部分存在信息损失
• 训练数据来自LAION-5B子集，包含成人暴力内容（已通过NSFW检测器过滤）

偏见

虽然图像生成能力令人印象深刻，但可能强化社会偏见。主要训练数据LAION-2B(en)局限于英语描述，其他语言文化代表性不足。默认输出往往反映西方白人文化，非英语提示生成质量显著较差。Stable Diffusion v2放大了这类偏见，使用时需特别谨慎。

训练过程

训练数据 开发者使用以下数据集：

• LAION-5B及其子集（经NSFW检测器过滤，p_unsafe=0.1阈值）。详见LAION-5B的NeurIPS 2022论文。

训练方法 Stable Diffusion v2是结合自编码器的潜在扩散模型：

• 图像通过编码器转为潜在表示（下采样因子8）
• 文本提示通过OpenCLIP-ViT/H编码器处理
• 文本编码输出通过交叉注意力注入UNet主干
• 采用噪声预测重建损失和v目标函数(https://arxiv.org/abs/2202.00512)

现有检查点包括：

• 512-base-ema.ckpt：256x256分辨率55万步 + 512x512分辨率85万步

• 768-v-ema.ckpt：基于前者追加768x768分辨率14万步训练

• 512-depth-ema.ckpt：整合MiDaS深度预测作为额外条件

• 512-inpainting-ema.ckpt：采用LAMA掩码策略进行修复训练

• x4-upscaling-ema.ckpt：125万步训练的文本引导潜在超分模型

• 硬件配置: 32节点×8张A100 GPU

• 优化器: AdamW

• 梯度累积: 1

• 批量大小: 2048

• 学习率: 10000步预热至0.0001后保持恒定

评估结果

不同分类器自由引导尺度(1.5-8.0)和50步DDIM采样的对比评估：

基于COCO2017验证集的10000个随机提示，512x512分辨率评估（未针对FID分数优化）。

环境影响

Stable Diffusion v1碳排放估算 根据机器学习碳排放计算器估算：

• 硬件类型: A100 PCIe 40GB
• 使用时长: 200000小时
• 云服务商: AWS
• 计算区域: 美国东部
• 碳排放量: 15000千克CO2当量

引用文献

@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编写，基于Stable Diffusion v1和DALL-E Mini模型卡片改编。