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
  复刻来源：ControlNet-1-1-preview/control_v11p_sd15_softedge

ControlNet - v1.1 - 软边缘版本

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。

此检查点对应基于 软边缘 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 许可领域的联合工作。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 在论文 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（< 50k），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、分割图、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：如果需要处理图像以生成辅助条件，需安装以下外部依赖项：

1. 安装 https://github.com/patrickvonplaten/controlnet_aux

$ pip install controlnet_aux==0.3.0  

2. 安装 diffusers 及相关包：

$ 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 controlnet_aux import PidiNetDetector, HEDdetector  

from diffusers import (  
    ControlNetModel,  
    StableDiffusionControlNetPipeline,  
    UniPCMultistepScheduler,  
)  

checkpoint = "lllyasviel/control_v11p_sd15_softedge"  

image = load_image(  
    "https://huggingface.co/lllyasviel/control_v11p_sd15_softedge/resolve/main/images/input.png"  
)  

prompt = "royal chamber with fancy bed"  

processor = HEDdetector.from_pretrained('lllyasviel/Annotators')  
processor = PidiNetDetector.from_pretrained('lllyasviel/Annotators')  
control_image = processor(image, safe=True)  
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 v1-1 发布的检查点

作者发布了 14 个不同的检查点，每个检查点均基于 Stable Diffusion v1-5 训练，对应不同类型的条件：

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	黑白边缘图（白边黑底）。
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	带标注线段的图像。
lllyasviel/control_v11f1p_sd15_depth	基于深度估计训练	带深度信息的图像（通常为灰度图）。
lllyasviel/control_v11p_sd15_normalbae	基于表面法线估计训练	带表面法线信息的图像（通常为彩色编码图）。
lllyasviel/control_v11p_sd15_seg	基于