许可证：其他
标签：

• 稳定扩散
• 文本生成图像
  推理：false

Cool Japan Diffusion 2.1.2 Beta 模型说明

注意事项：中国将对图像生成的人工智能实施法律限制。（针对中国境内用户的提醒）

英文版请见此处。

简介

Cool Japan Diffusion 是基于 Stable Diffusion 微调的模型，专注于表现动漫、漫画、游戏等“酷日本”文化。请注意，此模型与日本内阁府的“酷日本”战略无直接关联。

许可证说明

本模型在原有 CreativeML Open RAIL++-M 许可证基础上，新增了“禁止商业用途”条款（例外情况除外）。这一限制源于对创意产业潜在负面影响的担忧。若此担忧消除，后续版本将恢复原许可证并允许商业使用。
原许可证的日文翻译可参考此链接。营利企业用户请咨询法务部门，个人用户遵循常识即可。根据许可证要求，任何模型修改仍需继承此许可证。

法律与伦理

本模型在日本开发，适用日本法律。

• 合法性声明：模型训练基于《著作权法》第30条之4，主张合法；模型分发不构成直接或间接侵权（详见柿沼律师的观点）。
• 伦理争议：作者认为未经原著作者许可的分发行为存在伦理问题，但法律上无需授权（类似搜索引擎）。本次分发亦旨在探讨伦理边界。

使用方法

快速体验请使用此Space。
详细教程见使用手册。
模型下载地址：点击此处。

模型详情

• 开发者：Robin Rombach, Patrick Esser, Alfred Increment
• 类型：基于扩散模型的文本生成图像模型
• 语言：日语
• 许可证：CreativeML Open RAIL++-M-NC
• 算法：Latent Diffusion Model 与 OpenCLIP-ViT/H

使用示例

Web UI

推荐启用 --xformers --disable-nan-check 选项（或 --no-half）。具体设置参考手册。

Diffusers

安装库后运行以下脚本：

from diffusers import StableDiffusionPipeline, EulerAncestralDiscreteScheduler  
import torch  

model_id = "aipicasso/cool-japan-diffusion-2-1-2-beta"  
scheduler = EulerAncestralDiscreteScheduler.from_pretrained(model_id, subfolder="scheduler")  
pipe = StableDiffusionPipeline.from_pretrained(model_id, scheduler=scheduler, torch_dtype=torch.float32)  
pipe.to("cuda")  

prompt = "动漫, 杰作, 少女肖像, 精致瞳孔, 4K, 细节丰富"  
negative_prompt = "变形, 模糊, 结构错误, 瞳孔异常..."  
image = pipe(prompt, negative_prompt=negative_prompt, num_inference_steps=20).images[0]  
image.save("girl.png")  

提示：

• 使用 xformers 加速；
• 低显存设备启用 pipe.enable_attention_slicing()。

适用场景

• 竞赛：如AI艺术大奖赛（需公开训练数据）；
• 媒体报道：允许营利机构报道AI技术；
• 文化推广：向海外介绍“酷日本”文化；
• 研发：模型微调、性能评估等；
• 教育：学术研究或课堂教学；
• 个人表达：社交媒体创作。

禁止用途

• 伪造事实内容；
• 营利性视频内容；
• 直接商用服务；
• 损害创意产业的行为。

风险提示

• 数字伪造：禁止生成受版权保护的角色；
• 侵权使用：未经许可的Image-to-Image；
• 不当内容：违反刑法第175条；
• 虚假信息：避免制造假新闻。

局限性

• 存在与Stable Diffusion相同的偏差问题。

训练数据

• VAE：65万组合规日本数据（经扩增）；
• U-Net：200万组数据 + 合并模型（Open RAIL许可）。

训练配置

• 硬件：RTX 4090, A6000；
• 优化器：AdamW；
• 批次大小：1。

环境影响

• 碳排放：极低（日本本地训练，500小时）。

参考文献

@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}  
}  

*本模型卡基于Stable Diffusion v2编写，由Alfred Increment完成。