许可证：openrail
基础模型：runwayml/stable-diffusion-v1-5
标签：

• 艺术
• controlnet
• stable-diffusion
• controlnet-v1-1
• 图像到图像
  复制来源：ControlNet-1-1-preview/control_v11p_sd15_depth

ControlNet - v1.1 - 深度版本

ControlNet v1.1 是 ControlNet v1.0 的继任模型，由 Lvmin Zhang 在 lllyasviel/ControlNet-v1-1 中发布。

此检查点是将 原始检查点 转换为 diffusers 格式的结果。
它可以与 Stable Diffusion 结合使用，例如 runwayml/stable-diffusion-v1-5。

更多详情，请参阅 🧨 Diffusers 文档。

ControlNet 是一种通过添加额外条件来控制扩散模型的神经网络结构。

此检查点对应于基于 深度图像 条件的 ControlNet。

模型详情

• 开发者： Lvmin Zhang, Maneesh Agrawala

• 模型类型： 基于扩散的文本到图像生成模型

• 语言： 英语

• 许可证： CreativeML OpenRAIL M 许可证 是一种 Open RAIL M 许可证，改编自 BigScience 和 RAIL Initiative 在负责任 AI 许可领域的合作成果。另请参阅 关于 BLOOM Open RAIL 许可证的文章，我们的许可证基于此。

• 更多信息资源： GitHub 仓库, 论文。

• 引用方式：

  @misc{zhang2023adding,
  title={Adding Conditional Control to Text-to-Image Diffusion Models},
  author={Lvmin Zhang and Maneesh Agrawala},
  year={2023},
  eprint={2302.05543},
  archivePrefix={arXiv},
  primaryClass={cs.CV}
  }

简介

ControlNet 由 Lvmin Zhang 和 Maneesh Agrawala 在 Adding Conditional Control to Text-to-Image Diffusion Models 中提出。

摘要如下：

我们提出了一种神经网络结构 ControlNet，用于控制预训练的大型扩散模型以支持额外的输入条件。
ControlNet 以端到端的方式学习任务特定条件，即使训练数据集较小（< 5 万），学习也能保持稳健。
此外，训练 ControlNet 与微调扩散模型一样快速，并且可以在个人设备上进行训练。
如果有强大的计算集群可用，模型还可以扩展到大量（数百万到数十亿）数据。
我们报告称，像 Stable Diffusion 这样的大型扩散模型可以通过 ControlNet 增强，以支持边缘图、深度图、关键点等条件输入。
这可能会丰富控制大型扩散模型的方法，并进一步促进相关应用。

示例

建议将此检查点与 Stable Diffusion v1-5 结合使用，因为检查点已基于其训练。
实验表明，该检查点也可以与其他扩散模型（如 dreamboothed stable diffusion）一起使用。

注意：如果要处理图像以创建辅助条件，需要以下外部依赖项：

1. 安装 diffusers 和相关包：

$ pip install diffusers transformers accelerate  

3. 运行代码：

import torch  
import os  
from huggingface_hub import HfApi  
from pathlib import Path  
from diffusers.utils import load_image  
from PIL import Image  
import numpy as np  
from transformers import pipeline  

from diffusers import (  
    ControlNetModel,  
    StableDiffusionControlNetPipeline,  
    UniPCMultistepScheduler,  
)  

checkpoint = "lllyasviel/control_v11p_sd15_depth"  

image = load_image(  
    "https://huggingface.co/lllyasviel/control_v11p_sd15_depth/resolve/main/images/input.png"  
)  

prompt = "Stormtrooper's lecture in beautiful lecture hall"  

depth_estimator = pipeline('depth-estimation')  
image = depth_estimator(image)['depth']  
image = np.array(image)  
image = image[:, :, None]  
image = np.concatenate([image, image, image], axis=2)  
control_image = Image.fromarray(image)  

control_image.save("./images/control.png")  

controlnet = ControlNetModel.from_pretrained(checkpoint, torch_dtype=torch.float16)  
pipe = StableDiffusionControlNetPipeline.from_pretrained(  
    "runwayml/stable-diffusion-v1-5", controlnet=controlnet, torch_dtype=torch.float16  
)  

pipe.scheduler = UniPCMultistepScheduler.from_config(pipe.scheduler.config)  
pipe.enable_model_cpu_offload()  

generator = torch.manual_seed(0)  
image = pipe(prompt, num_inference_steps=30, generator=generator, image=control_image).images[0]  

image.save('images/image_out.png')  

其他发布的检查点 v1-1

作者发布了 14 个不同的检查点，每个检查点基于 Stable Diffusion v1-5 训练，针对不同类型的条件：

模型名称	控制图像概述	条件图像	控制图像示例	生成图像示例
lllyasviel/control_v11p_sd15_canny	基于 Canny 边缘检测训练	黑色背景上的白色边缘单色图像。
lllyasviel/control_v11e_sd15_ip2p	基于像素到像素指令训练	无条件。
lllyasviel/control_v11p_sd15_inpaint	基于图像修复训练	无条件。
lllyasviel/control_v11p_sd15_mlsd	基于多级线段检测训练	带有标注线段的图像。
lllyasviel/control_v11f1p_sd15_depth	基于深度估计训练	带有深度信息的图像，通常表示为灰度图像。
lllyasviel/control_v11p_sd15_normalbae	基于表面法线估计训练	带有表面法线信息的图像，通常表示为彩色编码图像。
lllyasviel/control_v11p_sd15_seg	基于图像分割训练	带有分割区域的图像，通常表示为彩色编码图像。
lllyasviel/control_v11p_sd15_lineart	基于线稿生成训练	带有线稿的图像，通常是白色背景上的黑色线条。
lllyasviel/control_v11p_sd15s2_lineart_anime	基于动漫线稿生成训练	带有动漫风格线稿的图像。
lllyasviel/control_v11p_sd15_openpose	基于人体姿态估计训练	带有人体姿态的图像，通常表示为关键点或骨骼。
lllyasviel/control_v11p_sd15_scribble	基于涂鸦图像生成训练	带有涂鸦的图像，通常是随机或用户绘制的笔触。
lllyasviel/control_v11p_sd15_softedge	基于柔边图像生成训练	带有柔边的图像，通常用于创建更具绘画或艺术效果。
lllyasviel/control_v11e_sd15_shuffle	基于图像打乱训练	带有打乱区块或区域的图像。
lllyasviel/control_v11f1e_sd15_tile	基于图像平铺训练	模糊图像或部分图像。

深度 1.1 的改进：

• 之前的 cnet 1.0 训练数据集存在几个问题，包括（1）一小部分灰度人像图像被重复数千次（！！），导致之前的模型容易生成灰度人像；（2）一些图像质量低、非常模糊或存在明显的 JPEG 伪影；（3）一小部分图像由于数据处理脚本错误导致配对提示错误。新模型修复了训练数据集的所有问题，在许多情况下表现更合理。
• 新的深度模型是一个相对无偏的模型。它不是针对某种特定深度估计方法训练的特定深度类型，也没有过度拟合某个预处理器。这意味着该模型在不同的深度估计方法、不同的预处理器分辨率甚至由 3D 引擎生成的真实深度下表现更好。
• 在训练中应用了一些合理的数据增强，如随机左右翻转。
• 该模型是从深度 1.0 恢复的，在深度 1.0 表现良好的所有情况下也应表现良好。如果没有，请提交问题并提供图像，我们将查看您的案例。深度 1.1 在许多深度 1.0 失败的情况下表现良好。
• 如果您使用 Midas 深度（WebUI 插件中的“depth”）和 384 预处理器分辨率，深度 1.0 和 1.1 之间的差异应该很小。然而，如果您尝试其他预处理器分辨率或其他预处理器（如 leres 和 zoe），深度 1.1 预计会比 1.0 稍好一些。

更多信息

更多信息，请参阅 Diffusers ControlNet 博客文章 和 官方文档。