license: openrail++ tags:

• stable-diffusion
• 文生图 pinned: true

Stable Diffusion v2-1 模型卡片

本文档重点介绍与Stable Diffusion v2-1模型相关的信息，代码库参见此处。

该stable-diffusion-2-1模型是在stable-diffusion-2 (768-v-ema.ckpt)基础上，使用相同数据集（设置punsafe=0.1）额外训练55k步后，再以punsafe=0.98参数继续训练155k步微调而成。

• 配合stablediffusion代码库使用：下载v2-1_768-ema-pruned.ckpt
• 通过🧨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: 本模型可通过文本提示生成和修改图像，是基于潜在扩散模型架构，采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🤗Diffusers库快速运行Stable Diffusion 2：

pip install diffusers transformers accelerate scipy safetensors

运行管道（默认使用DDIM调度器，本例切换为DPMSolverMultistepScheduler）：

import torch
from diffusers import StableDiffusionPipeline, DPMSolverMultistepScheduler

model_id = "stabilityai/stable-diffusion-2-1"

# 此处使用DPMSolverMultistepScheduler (DPM-Solver++)调度器
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16)
pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config)
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：

• 虽非必需依赖，但强烈建议安装xformers以实现内存高效注意力机制（提升性能）
• 若GPU显存有限，在转移到cuda后执行pipe.enable_attention_slicing()可降低显存占用（会牺牲速度）

用途说明

直接使用

本模型仅限研究用途，适用领域包括：

• 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与偏差
• 艺术创作与设计应用
• 教育或创意工具开发
• 生成模型相关研究

以下为禁止用途说明。

滥用、恶意使用及超范围使用

注：本节改编自DALLE-MINI模型卡片，原用于Stable Diffusion v1，同样适用于v2版本

禁止使用本模型故意制造或传播令人不适的内容，包括：

• 生成令人不安、痛苦或冒犯性的图像
• 强化历史或现有社会偏见
• 未经许可的人物模仿
• 非自愿的色情内容
• 虚假与误导信息
• 极端暴力与血腥内容
• 违反版权协议的素材使用

局限性与偏差

局限性

• 无法实现完美照片级真实感
• 无法生成可辨识文字
• 对复杂组合任务（如"蓝色球体上的红色立方体"）表现欠佳
• 人物面部生成可能不准确
• 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耗
• 训练数据来自LAION-5B子集（含成人/暴力内容），已通过NSFW检测器过滤

偏差问题

模型可能强化社会偏见，因主要训练数据LAION-2B(en)局限于英语描述，非英语文化内容覆盖不足。西方文化常被设为默认标准，且非英语提示词生成质量显著低于英语提示。Stable Diffusion v2放大了此类偏差，使用时需特别谨慎。

训练过程

训练数据 开发团队使用以下数据集：

• LAION-5B及其子集（经NSFW检测器过滤，p_unsafe=0.1保守阈值）。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，HxWx3→H/fxW/fx4）
• 文本提示经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
• 损失函数计算潜在空间噪声与UNet预测的重构误差，采用_v-目标_（参见论文）

现有检查点包括：

• 512-base-ema.ckpt：256x256分辨率550k步 + 512x512分辨率850k步

• 768-v-ema.ckpt：基于512-base继续训练，采用v-objective

• 512-depth-ema.ckpt：增加MiDaS深度预测作为条件

• 512-inpainting-ema.ckpt：采用LAMA掩码生成策略

• x4-upscaling-ema.ckpt：文本引导潜在超分模型

• 硬件配置: 32台8xA100 GPU服务器

• 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条随机提示，512x512分辨率下评估（未针对FID分数优化）。

环境影响

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

• 硬件类型: A100 PCIe 40GB
• 运行时长: 200000小时
• 云服务商: AWS
• 区域: 美东
• 碳排放量: 15000 kg 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。