许可协议：apache-2.0 基础模型：stabilityai/stable-diffusion-xl-base-1.0 标签：

• 艺术
• t2i适配器
• 图像到图像
• stable-diffusion-xl-diffusers
• stable-diffusion-xl

T2I-Adapter-SDXL - 深度-MiDaS

T2I适配器是一种为稳定扩散提供额外条件控制的网络。每个t2i检查点接收不同类型条件输入，并与特定的基础稳定扩散检查点配合使用。

本检查点为StableDiffusionXL检查点提供深度条件控制。这是腾讯ARC与Hugging Face的合作成果。

模型详情

• 开发者： T2I-Adapter: 学习适配器以挖掘文本到图像扩散模型的更多可控能力

• 模型类型： 基于扩散的文本到图像生成模型

• 支持语言： 英语

• 许可协议： Apache 2.0

• 更多信息： GitHub仓库，论文。

• 模型复杂度： | | SD-V1.4/1.5 | SD-XL | T2I-Adapter | T2I-Adapter-SDXL | | --- | --- |--- |--- |--- | | 参数量 | 860M | 2.6B |77 M | 77/79 M | |

• 引用方式：

  @misc{ title={T2I-Adapter: 学习适配器以挖掘文本到图像扩散模型的更多可控能力}, author={牟冲, 王新涛, 谢良彬, 吴彦泽, 张健, 齐中阳, 单瀛, 邱晓虎}, year={2023}, eprint={2302.08453}, archivePrefix={arXiv}, primaryClass={cs.CV} }

检查点

模型名称	控制图像概述	控制图像示例	生成图像示例
TencentARC/t2i-adapter-canny-sdxl-1.0 使用Canny边缘检测训练	黑白图像，黑色背景上显示白色边缘。
TencentARC/t2i-adapter-sketch-sdxl-1.0 使用PidiNet边缘检测训练	手绘黑白图像，黑色背景上显示白色轮廓。
TencentARC/t2i-adapter-lineart-sdxl-1.0 使用线稿边缘检测训练	手绘黑白图像，黑色背景上显示白色轮廓。
TencentARC/t2i-adapter-depth-midas-sdxl-1.0 使用Midas深度估计训练	灰度图像，黑色代表深色区域，白色代表浅色区域。
TencentARC/t2i-adapter-depth-zoe-sdxl-1.0 使用Zoe深度估计训练	灰度图像，黑色代表深色区域，白色代表浅色区域。
TencentARC/t2i-adapter-openpose-sdxl-1.0 使用OpenPose骨骼图像训练	OpenPose骨骼图像。

示例

首先安装必要的依赖项：

pip install -U git+https://github.com/huggingface/diffusers.git
pip install -U controlnet_aux==0.0.7 # 用于条件模型和检测器
pip install transformers accelerate safetensors

1. 图像首先被下载并转换为适当的控制图像格式。
2. 控制图像和提示词被传递给StableDiffusionXLAdapterPipeline。

让我们看一个使用线稿适配器的简单示例。

• 依赖项

from diffusers import StableDiffusionXLAdapterPipeline, T2IAdapter, EulerAncestralDiscreteScheduler, AutoencoderKL
from diffusers.utils import load_image, make_image_grid
from controlnet_aux.midas import MidasDetector
import torch

# 加载适配器
adapter = T2IAdapter.from_pretrained(
  "TencentARC/t2i-adapter-depth-midas-sdxl-1.0", torch_dtype=torch.float16, varient="fp16"
).to("cuda")

# 加载euler_a调度器
model_id = 'stabilityai/stable-diffusion-xl-base-1.0'
euler_a = EulerAncestralDiscreteScheduler.from_pretrained(model_id, subfolder="scheduler")
vae=AutoencoderKL.from_pretrained("madebyollin/sdxl-vae-fp16-fix", torch_dtype=torch.float16)
pipe = StableDiffusionXLAdapterPipeline.from_pretrained(
    model_id, vae=vae, adapter=adapter, scheduler=euler_a, torch_dtype=torch.float16, variant="fp16", 
).to("cuda")
pipe.enable_xformers_memory_efficient_attention()

midas_depth = MidasDetector.from_pretrained(
  "valhalla/t2iadapter-aux-models", filename="dpt_large_384.pt", model_type="dpt_large"
).to("cuda")

• 条件图像

url = "https://huggingface.co/Adapter/t2iadapter/resolve/main/figs_SDXLV1.0/org_mid.jpg"
image = load_image(url)
image = midas_depth(
  image, detect_resolution=512, image_resolution=1024
)

• 生成

prompt = "房间照片，4K高清，细节丰富"
negative_prompt = "动漫，卡通，图形，文字，绘画，蜡笔，石墨，抽象，故障，变形，突变，丑陋，畸形"

gen_images = pipe(
  prompt=prompt,
  negative_prompt=negative_prompt,
  image=image,
  num_inference_steps=30,
  adapter_conditioning_scale=1,
  guidance_scale=7.5,  
).images[0]
gen_images.save('out_mid.png')

训练

我们的训练脚本基于官方提供的训练脚本构建。

模型在LAION-Aesthetics V2的300万张高分辨率图像-文本对上进行训练，参数如下：

• 训练步数：35000
• 批量大小：数据并行，单GPU批量大小为16，总批量大小为256。
• 学习率：恒定学习率1e-5。
• 混合精度：fp16