许可证：其他
标签：

• 稳定扩散
• 文本生成图像

Cool Japan Diffusion 2.1.0 模型卡片

注意事项：自2023年1月10日起，中国将对图像生成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（学习版）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

本模型在原有许可证CreativeML Open RAIL++-M License基础上，新增了非商业用途限制条款。此限制源于对创意产业潜在负面影响的担忧。若该担忧消除，后续版本将恢复原许可证并允许商用。原许可证日文翻译可参考此链接。营利企业用户请咨询法务部门，个人爱好者遵循常识使用即可。根据许可证要求，任何模型修改仍需继承本许可协议。

法律与伦理

本模型在日本开发，适用日本法律。

• 合法性声明：模型训练依据《著作权法》第30条之4主张合法；模型分发不构成著作权法或刑法第175条的共犯或帮助犯，具体可参考柿沼律师的观点。生成内容需遵守各国法律法规。
• 伦理考量：作者认为未经原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相关伦理议题。

使用方法

快速体验可访问此Space。详细教程见使用手册，模型下载地址点击此处。

以下是标准模型卡片的日译中内容：

模型详情

• 开发者：Robin Rombach, Patrick Esser, Alfred Increment
• 模型类型：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 License
• 模型描述：根据提示词生成高质量图像，算法基于Latent Diffusion Model和OpenCLIP-ViT/H。
• 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}  
  }  
  

使用示例

与Stable Diffusion v2用法相同，推荐两种方式：

1. Web UI：参照使用手册配置
2. Diffusers库：安装依赖后运行以下代码：

from diffusers import StableDiffusionPipeline, EulerDiscreteScheduler  
import torch  

model_id = "aipicasso/cool-japan-diffusion-2-1-0-beta"  
scheduler = EulerDiscreteScheduler.from_pretrained(model_id, subfolder="scheduler")  
pipe = StableDiffusionPipeline.from_pretrained(model_id, scheduler=scheduler, torch_dtype=torch.float16)  
pipe = pipe.to("cuda")  

prompt = "动漫风格，黑短发红瞳少女肖像，和服，全彩插画，官方艺术，4K高清"  
negative_prompt = "低质量，面部畸形，解剖结构错误，低分辨率，JPEG伪影，2D/3D/CG混用，文字"  
image = pipe(prompt, negative_prompt=negative_prompt).images[0]  
image.save("girl.png")  

提示：

• 使用xformers可加速
• GPU内存不足时启用pipe.enable_attention_slicing()

适用场景

• 竞赛：如AI艺术大奖赛（需提前申报合规性）
• 媒体报道：包括商业机构（基于公众知情权考量）
• 文化推广：向国际受众介绍“酷日本”文化
• 研发：模型微调、性能评估（FID指标）、跨模型独立性验证
• 教育：艺术院校毕设、学术研究、AI技术教学
• 个人表达：社交媒体内容创作

非适用场景

• 伪造事实性内容
• 营利性视频内容直接使用
• 商业服务集成
• 干扰教学秩序
• 其他损害创意产业的行为

禁止用途

• 数字赝品：避免生成受版权保护的现有角色（法律风险）
• 未经授权的图生图：侵犯原作著作权
• 淫秽内容传播：违反刑法第175条
• 虚假信息：可能构成妨碍业务罪

模型局限性

• 存在与Stable Diffusion相同的偏差问题

训练数据

• VAE部分：60万类合规日本本土数据（经数据增强）
• U-Net部分：80万组合规图文配对数据

训练配置

• 硬件：RTX 3090
• 优化器：AdamW
• 梯度累积：1
• 批大小：1

环境影响

• 硬件类型：RTX 3090
• 训练时长：300小时
• 碳排放：可忽略

本模型卡片基于Stable Diffusion v2由Alfred Increment编写