🚀 Stable Diffusion v2-1 模型卡片

本模型卡片聚焦于 Stable Diffusion v2-1 模型，代码库可在 此处 获取。

stable-diffusion-2-1 模型是在 stable-diffusion-2 (768-v-ema.ckpt) 的基础上进行微调得到的。它在相同数据集上额外训练了 55k 步（punsafe=0.1），然后又以 punsafe=0.98 进行了 155k 步的微调。

• 可结合 stablediffusion 仓库使用：在 此处 下载 v2-1_768-ema-pruned.ckpt。
• 也可结合 🧨 diffusers 使用。

✨ 主要特性

• 基于文本提示生成和修改图像。
• 采用固定的预训练文本编码器 OpenCLIP-ViT/H 的 潜在扩散模型。

📦 安装指南

使用 🤗 的 Diffusers 库 能简单高效地运行 Stable Diffusion 2。

pip install diffusers transformers accelerate scipy safetensors

💻 使用示例

基础用法

运行管道（若不更换调度器，将使用默认的 DDIM 运行，此示例中我们将其更换为 DPMSolverMultistepScheduler）：

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 = "a photo of an astronaut riding a horse on mars"
image = pipe(prompt).images[0]
    
image.save("astronaut_rides_horse.png")

高级用法

⚠️ 重要提示

尽管 xformers 不是必需依赖项，但我们强烈建议安装它以实现内存高效的注意力机制（提升性能）。

💡 使用建议

若你的 GPU 显存有限，在将模型发送到 cuda 后添加 pipe.enable_attention_slicing() 以减少显存使用（代价是速度会变慢）。

📚 详细文档

模型详情

• 开发者：Robin Rombach、Patrick Esser
• 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 Open RAIL++-M 许可证
• 模型描述：这是一个可基于文本提示生成和修改图像的模型。它是一个 潜在扩散模型，使用固定的预训练文本编码器 (OpenCLIP-ViT/H)。
• 更多信息资源：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}
}

用途

直接使用

该模型仅用于研究目的。可能的研究领域和任务包括：

• 安全部署有生成有害内容潜力的模型。
• 探究和理解生成模型的局限性和偏差。
• 生成艺术作品并用于设计和其他艺术创作过程。
• 应用于教育或创意工具。
• 生成模型的研究。

禁止使用情况

本部分内容最初取自 DALLE-MINI 模型卡片，曾用于 Stable Diffusion v1，同样适用于 Stable Diffusion v2。

该模型不得用于故意创建或传播会给人们造成敌对或疏离环境的图像。这包括生成人们可预见会感到不安、痛苦或冒犯的图像；或传播历史或当前刻板印象的内容。

超出适用范围的使用

该模型并非用于真实准确地呈现人物或事件，因此使用该模型生成此类内容超出了其能力范围。

滥用和恶意使用

使用该模型生成对个人残酷的内容属于滥用行为。这包括但不限于：

• 生成贬低、非人化或以其他方式伤害人们或其环境、文化、宗教等的表征。
• 故意推广或传播歧视性内容或有害刻板印象。
• 在未经同意的情况下冒充他人。
• 未经可能看到该内容的人的同意而生成性内容。
• 虚假和误导性信息。
• 令人发指的暴力和血腥画面。
• 违反使用条款分享受版权保护或有许可的材料。
• 违反使用条款分享对受版权保护或有许可的材料进行修改后的内容。

局限性和偏差

局限性

• 模型无法实现完美的照片写实效果。
• 模型无法渲染清晰可读的文本。
• 模型在涉及组合性的更复杂任务上表现不佳，例如渲染与 “A red cube on top of a blue sphere” 对应的图像。
• 面部和人物通常无法正确生成。
• 模型主要使用英语字幕进行训练，在其他语言中的效果不佳。
• 模型的自动编码部分存在信息损失。
• 模型在大规模数据集 LAION-5B 的一个子集上进行训练，该数据集包含成人、暴力和性内容。为部分缓解此问题，我们使用 LAION 的 NFSW 检测器对数据集进行了过滤（见训练部分）。

偏差

虽然图像生成模型的能力令人印象深刻，但它们也可能强化或加剧社会偏差。Stable Diffusion 主要在 LAION-2B(en) 的子集上进行训练，这些图像仅限于英语描述。来自使用其他语言的社区和文化的文本和图像可能未得到充分考虑。这影响了模型的整体输出，因为白人和西方文化通常被设定为默认。此外，模型使用非英语提示生成内容的能力明显不如使用英语提示。Stable Diffusion v2 反映并加剧了这种偏差，无论输入或意图如何，都建议用户谨慎使用。

训练

训练数据

模型开发者使用以下数据集进行模型训练：

• LAION-5B 及其子集（详情如下）。训练数据使用 LAION 的 NSFW 检测器进一步过滤，“p_unsafe” 分数为 0.1（保守）。更多详情，请参考 LAION-5B 的 NeurIPS 2022 论文和关于该主题的评审讨论。

训练过程

Stable Diffusion v2 是一个潜在扩散模型，它将自动编码器与在自动编码器潜在空间中训练的扩散模型相结合。训练过程如下：

• 图像通过编码器进行编码，将图像转换为潜在表示。自动编码器使用相对下采样因子 8，将形状为 H x W x 3 的图像映射到形状为 H/f x W/f x 4 的潜在表示。
• 文本提示通过 OpenCLIP-ViT/H 文本编码器进行编码。
• 文本编码器的输出通过交叉注意力输入到潜在扩散模型的 UNet 主干中。
• 损失是添加到潜在表示的噪声与 UNet 预测之间的重建目标。我们还使用所谓的 v-objective，详见 https://arxiv.org/abs/2202.00512。

目前提供以下检查点：

• 512-base-ema.ckpt：在 LAION-5B 的一个过滤掉明确色情内容的子集上，以 256x256 分辨率训练 550k 步，使用 LAION-NSFW 分类器 且 punsafe=0.1，美学分数 >= 4.5。在相同数据集上以 512x512 分辨率（分辨率 >= 512x512）再训练 850k 步。

• 768-v-ema.ckpt：从 512-base-ema.ckpt 恢复训练，在同一数据集上使用 v-objective 训练 150k 步。在数据集的 768x768 子集上再训练 140k 步。

• 512-depth-ema.ckpt：从 512-base-ema.ckpt 恢复训练并微调 200k 步。添加一个额外的输入通道来处理 MiDaS (dpt_hybrid) 产生的（相对）深度预测，作为额外的条件。处理此额外信息的 U-Net 额外输入通道初始化为零。

• 512-inpainting-ema.ckpt：从 512-base-ema.ckpt 恢复训练并再训练 200k 步。遵循 LAMA 中提出的掩码生成策略，结合被掩码图像的潜在 VAE 表示作为额外条件。处理此额外信息的 U-Net 额外输入通道初始化为零。用于训练 1.5-inpainting 检查点 的策略与此相同。

• x4-upscaling-ema.ckpt：在包含 >2048x2048 图像的 LAION 的 10M 子集上训练 1250k 步。模型在 512x512 大小的裁剪图像上进行训练，是一个文本引导的 潜在上采样扩散模型。除了文本输入外，它还接收一个 noise_level 作为输入参数，可根据 预定义的扩散时间表 向低分辨率输入添加噪声。

• 硬件：32 x 8 x A100 GPUs

• 优化器：AdamW

• 梯度累积：1

• 批次大小：32 x 8 x 2 x 4 = 2048

• 学习率：在 10000 步内热身到 0.0001，然后保持不变

评估结果

使用不同的无分类器引导尺度（1.5、2.0、3.0、4.0、5.0、6.0、7.0、8.0）和 50 步 DDIM 采样步骤进行评估，显示了各检查点的相对改进：

使用 50 步 DDIM 采样和来自 COCO2017 验证集的 10000 个随机提示进行评估，分辨率为 512x512。未针对 FID 分数进行优化。

环境影响

Stable Diffusion v1 估计排放量

基于该信息，我们使用 Lacoste 等人 (2019) 中提出的 机器学习影响计算器 估计了以下 CO2 排放量。我们利用硬件、运行时间、云服务提供商和计算区域来估计碳影响。

引用

@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 撰写，基于 Stable Diffusion v1 和 DALL-E Mini 模型卡片。