许可证：其他
标签：

• 稳定扩散
• 稳定扩散-扩散器
• 文本生成图像
• 核心机器学习

Stable Diffusion v1-4 模型卡

此模型由 Hugging Face 使用 Apple 的代码库 生成，该代码库遵循 ASCL 许可证。

Stable Diffusion 是一种基于潜在扩散的文本生成图像模型，能够根据任意文本输入生成逼真的图像。
如需了解 Stable Diffusion 的工作原理，请参阅 🤗 的 Stable Diffusion 与 🧨Diffusers 博客。

Stable-Diffusion-v1-4 检查点基于 Stable-Diffusion-v1-2 的权重初始化，随后在分辨率 512x512 的 "laion-aesthetics v2 5+" 数据集上进行了 225,000 步微调，并采用 10% 的文本条件丢弃策略以优化 无分类器引导采样。

此处提供的权重已转换为 Core ML 格式，适用于 Apple Silicon 硬件。

Core ML 权重包含 4 种变体：

coreml-stable-diffusion-v1-4  
├── original  
│   ├── compiled              # Swift 推理，"original" 注意力机制  
│   └── packages              # Python 推理，"original" 注意力机制  
└── split_einsum  
    ├── compiled              # Swift 推理，"split_einsum" 注意力机制  
    └── packages              # Python 推理，"split_einsum" 注意力机制  

详情请参考 https://huggingface.co/blog/diffusers-coreml。

如需 🧨 Diffusers 库的权重，请访问此模型。

模型详情

• 开发者: Robin Rombach, Patrick Esser

• 模型类型: 基于扩散的文本生成图像模型

• 语言: 英语

• 许可证: CreativeML OpenRAIL M 许可证，改编自 BigScience 和 RAIL Initiative 在负责任 AI 许可领域的合作成果。另请参阅 BLOOM Open RAIL 许可证文章，我们的许可证基于此。

• 模型描述: 该模型可用于根据文本提示生成和修改图像。它是一种 潜在扩散模型，使用固定的预训练文本编码器（CLIP ViT-L/14），如 Imagen 论文 所建议。

• 更多资源: GitHub 代码库, 论文。

• 引用方式:

  @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。潜在的研究领域和任务包括：

• 安全部署可能生成有害内容的模型。
• 探索和理解生成模型的局限性与偏差。
• 艺术创作及在设计等艺术流程中的应用。
• 教育或创意工具中的应用。
• 生成模型的研究。

以下为排除用途。

滥用、恶意使用及超范围使用

注：本节内容取自 DALLE-MINI 模型卡，但同样适用于 Stable Diffusion。

该模型不得用于故意创建或传播制造敌对或疏离环境的图像。包括生成可能令人不安、痛苦或冒犯的内容，或传播历史或当前刻板印象的内容。

超范围使用

该模型未训练为生成人物或事件的真实表述，因此用于此类内容属于超范围使用。

滥用与恶意使用

利用模型生成对个体残忍的内容属于滥用行为。包括但不限于：

• 生成贬低、非人化或有害的人物或环境、文化、宗教等表述。
• 故意宣扬或传播歧视性内容或有害刻板印象。
• 未经同意冒充他人。
• 未经观看者同意的性内容。
• 虚假与误导信息。
• 极端暴力与血腥内容。
• 违反使用条款分享受版权或许可保护的内容。
• 违反使用条款分享篡改后的受版权或许可保护的内容。

局限性与偏差

局限性

• 模型无法实现完美的逼真度。
• 模型无法生成可读文本。
• 在涉及组合性的复杂任务（如渲染“蓝色球体上的红色立方体”）上表现不佳。
• 人脸和人物可能生成不准确。
• 模型主要基于英文标题训练，其他语言效果较差。
• 模型的自动编码部分存在信息损失。
• 训练数据集 LAION-5B 包含成人内容，未经额外安全机制和考虑不适用于产品。
• 未采用去重措施，因此可能存在训练数据中重复图像的记忆现象。可通过 CLIP 检索工具 检测记忆图像。

偏差

尽管图像生成模型能力强大，但也可能强化或加剧社会偏差。
Stable Diffusion v1 基于 LAION-2B(en) 的子集训练，主要包含英文描述的图像。
使用其他语言的社区和文化内容可能未被充分涵盖，导致模型输出以白人和西方文化为默认。此外，非英文提示的生成效果显著差于英文提示。

安全模块

该模型的预期用途是与 Diffusers 的 安全检查器 配合使用。
该检查器通过将模型输出与硬编码的 NSFW 概念比对来工作，概念被故意隐藏以减少逆向工程可能。
具体而言，检查器在图像生成后比较 CLIPTextModel 嵌入空间中有害概念的类别概率与人工设计的权重。

训练

训练数据
模型开发者使用以下数据集进行训练：

• LAION-2B (en) 及其子集（见下一节）

训练流程
Stable Diffusion v1-4 是一种潜在扩散模型，结合了自动编码器和在自动编码器潜在空间训练的扩散模型。训练过程中：

• 图像通过编码器转换为潜在表示，下采样因子为 8，将 H x W x 3 图像映射为 H/f x W/f x 4 潜在表示。
• 文本提示通过 ViT-L/14 文本编码器编码。
• 文本编码器的非池化输出通过交叉注意力注入潜在扩散模型的 UNet 主干。
• 损失函数为潜在空间添加的噪声与 UNet 预测之间的重构目标。

当前提供四个检查点，训练如下：

• stable-diffusion-v1-1: 在 laion2B-en 上 256x256 分辨率训练 237,000 步，在 laion-high-resolution（LAION-5B 中分辨率 ≥1024x1024 的 1.7 亿样本）上 512x512 分辨率训练 194,000 步。

• stable-diffusion-v1-2: 基于 v1-1 继续训练。在 "laion-improved-aesthetics"（laion2B-en 子集，过滤原始尺寸 ≥512x512、美学评分 >5.0、水印概率 <0.5 的图像）上 512x512 分辨率训练 515,000 步。

• stable-diffusion-v1-3: 基于 v1-2 继续训练。在 "laion-improved-aesthetics" 上 512x512 分辨率训练 195,000 步，并采用 10% 文本条件丢弃优化 无分类器引导采样。

• stable-diffusion-v1-4: 基于 v1-2 继续训练。在 "laion-aesthetics v2 5+" 上 512x512 分辨率训练 225,000 步，并采用 10% 文本条件丢弃优化 无分类器引导采样。

• 硬件: 32 x 8 x A100 GPU

• 优化器: AdamW

• 梯度累积: 2

• 批量大小: 32 x 8 x 2 x 4 = 2048

• 学习率: 前 10,000 步预热至 0.0001，随后保持恒定

评估结果

使用不同无分类器引导尺度（1.5-8.0）和 50 步 PLMS 采样的评估显示各检查点的相对改进：

基于 COCO2017 验证集的 10,000 个随机提示，在 512x512 分辨率下使用 50 步 PLMS 评估。未针对 FID 分数优化。

环境影响

Stable Diffusion v1 碳排放估算
根据 机器学习碳排放计算器（Lacoste 等, 2019），结合硬件、运行时间、云服务商和计算区域估算碳影响：

• 硬件类型: A100 PCIe 40GB
• 使用时长: 150,000 小时
• 云服务商: AWS
• 计算区域: 美国东部
• 碳排放量（功耗 × 时间 × 电网碳强度）: 11,250 千克 CO2 当量

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}  
    }  

此模型卡由 Robin Rombach 和 Patrick Esser 编写，基于 DALL-E Mini 模型卡。