license: creativeml-openrail-m tags:

• stable-diffusion
• stable-diffusion-diffusers
• text-to-image inference: true

本仓库包含最初由 RunwayML 发布、随后被下架的模型，但已转换为 ONNX 格式。原始许可证允许重新上传模型，只要未将其修改用于有害用途。该模型本身除转换为 ONNX 外未作任何修改。

Stable Diffusion v1-5 模型卡

Stable Diffusion 是一种潜在文本到图像扩散模型，能够根据任意文本输入生成逼真的图像。 有关 Stable Diffusion 工作原理的更多信息，请参阅 🤗 的 Stable Diffusion 博客。

Stable-Diffusion-v1-5 检查点使用 Stable-Diffusion-v1-2 检查点的权重进行初始化，随后在 512x512 分辨率下基于 "laion-aesthetics v2 5+" 数据集进行了 595k 步的微调，并以 10% 的概率丢弃文本条件，以改进无分类器引导采样。

您可以同时使用 🧨Diffusers 库 和 RunwayML GitHub 仓库 来使用此模型。

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 倡议 在负责任 AI 许可领域共同开展的工作。另请参阅我们许可证所基于的关于 BLOOM Open RAIL 许可证的文章。

• 模型描述： 这是一个可用于根据文本提示生成和修改图像的模型。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。

• 更多信息资源： GitHub 仓库，论文。

• 引用为：

  @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

• 安全部署可能生成有害内容的模型。
• 探索和理解生成式模型的局限性和偏见。
• 艺术作品生成以及在设计和其他艺术过程中的应用。
• 教育或创意工具中的应用。
• 关于生成式模型的研究。

排除的用途如下所述。

滥用、恶意使用和超范围使用

注：本节摘自 DALLE-MINI 模型卡，但同样适用于 Stable Diffusion v1。

该模型不应用于故意创建或传播为人们制造敌对或疏离环境的图像。这包括生成人们可能预见到会感到不安、痛苦或冒犯的图像；或传播历史或当前刻板印象的内容。

超范围使用

该模型未经过训练以生成人物或事件的真实或事实性呈现，因此使用该模型生成此类内容超出了该模型的能力范围。

滥用和恶意使用

使用该模型生成对个人残忍的内容是对该模型的滥用。这包括但不限于：

• 生成对人们或其环境、文化、宗教等有贬低、非人化或其他有害的呈现。
• 故意宣扬或传播歧视性内容或有害刻板印象。
• 未经同意冒充个人。
• 未经可能看到的人同意的性内容。
• 虚假信息和错误信息
• 极端暴力和血腥的呈现
• 违反使用条款分享受版权保护或授权的材料。
• 违反使用条款分享受版权保护或授权材料的修改版本。

局限性和偏见

局限性

• 该模型无法实现完美的逼真度
• 该模型无法渲染清晰的文本
• 该模型在涉及组合性的较难任务上表现不佳，例如渲染与"蓝色球体上的红色立方体"对应的图像
• 面部和人物整体可能无法正确生成。
• 该模型主要使用英文说明进行训练，在其他语言中效果不佳。
• 模型的自编码部分是有损的
• 该模型在大规模数据集 LAION-5B 上训练，其中包含成人内容，在没有额外安全机制和考虑的情况下不适合产品使用。
• 没有使用额外措施对数据集进行去重。因此，我们观察到训练数据中重复的图像存在一定程度的记忆现象。 训练数据可在 https://rom1504.github.io/clip-retrieval/ 搜索，可能有助于检测记忆的图像。

偏见

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见。 Stable Diffusion v1 在 LAION-2B(en) 的子集上训练， 其中主要由英文描述的图像组成。 使用其他语言的社区和文化的文本和图像可能未被充分涵盖。 这影响了模型的整体输出，因为白人和西方文化通常被设为默认值。此外， 该模型使用非英文提示生成内容的能力明显不如使用英文提示。

安全模块

该模型的预期用途是与 Diffusers 中的安全检查器一起使用。 该检查器通过将模型输出与已知的硬编码 NSFW 概念进行检查来工作。 这些概念被有意隐藏，以降低此过滤器被逆向工程的可能性。 具体而言，检查器在图像生成之后，在 CLIPTextModel 的嵌入空间中比较有害概念的类概率。 这些概念与生成的图像一起传递到模型中，并与每个 NSFW 概念的手工工程权重进行比较。

训练

训练数据 模型开发者使用以下数据集来训练模型：

• LAION-2B (en) 及其子集（见下一节）

训练过程 Stable Diffusion v1-5 是一种潜在扩散模型，它将自编码器与在自编码器潜在空间中训练的扩散模型相结合。在训练期间，

• 图像通过编码器编码，将图像转换为潜在表示。自编码器使用 8 的相对下采样因子，将形状为 H x W x 3 的图像映射为形状为 H/f x W/f x 4 的潜在表示
• 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输入到潜在扩散模型的 UNet 主干。
• 损失是添加到潜在表示中的噪声与 UNet 所做预测之间的重建目标。

目前提供六个 Stable Diffusion 检查点，其训练方式如下。

• stable-diffusion-v1-1：在 laion2B-en 上以 256x256 分辨率训练 237,000 步。 在 laion-high-resolution（来自 LAION-5B 的 170M 个分辨率 >= 1024x1024 的示例）上以 512x512 分辨率训练 194,000 步。

• stable-diffusion-v1-2：从 stable-diffusion-v1-1 恢复。 在 "laion-improved-aesthetics"（laion2B-en 的一个子集， 筛选为原始大小 >= 512x512、估计美学分数 > 5.0、估计水印概率 < 0.5 的图像。水印估计来自 LAION-5B 元数据，美学分数使用改进的美学估计器估计）上以 512x512 分辨率训练 515,000 步。

• stable-diffusion-v1-3：从 stable-diffusion-v1-2 恢复 - 在 "laion-improved-aesthetics" 上以 512x512 分辨率训练 195,000 步，并以 10% 的概率丢弃文本条件以改进无分类器引导采样。

• stable-diffusion-v1-4 从 stable-diffusion-v1-2 恢复 - 在 "laion-aesthetics v2 5+" 上以 512x512 分辨率训练 225,000 步，并以 10% 的概率丢弃文本条件以改进无分类器引导采样。

• stable-diffusion-v1-5 从 stable-diffusion-v1-2 恢复 - 在 "laion-aesthetics v2 5+" 上以 512x512 分辨率训练 595,000 步，并以 10% 的概率丢弃文本条件以改进无分类器引导采样。

• stable-diffusion-inpainting 从 stable-diffusion-v1-5 恢复 - 然后在 "laion-aesthetics v2 5+" 上以 512x512 分辨率进行 440,000 步的图像修复训练，并以 10% 的概率丢弃文本条件。对于图像修复，UNet 有 5 个额外的输入通道（4 个用于编码的掩码图像，1 个用于掩码本身），其权重在恢复非修复检查点后进行零初始化。在训练期间，我们生成合成掩码，并在 25% 的情况下掩码所有内容。

• 硬件： 32 x 8 x A100 GPU

• 优化器： AdamW

• 梯度累积： 2

• 批次大小： 32 x 8 x 2 x 4 = 2048

• 学习率： 预热 10,000 步至 0.0001，然后保持恒定

评估结果

使用不同无分类器引导比例（1.5、2.0、3.0、4.0、5.0、6.0、7.0、8.0）和 50 PNDM/PLMS 采样步骤的评估显示了检查点的相对改进：

使用 50 PLMS 步骤和来自 COCO2017 验证集的 10000 个随机提示进行评估，在 512x512 分辨率下评估。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 et al. (2019) 中提出的机器学习影响计算器估计以下 CO2 排放量。硬件、运行时间、云提供商和计算区域被用于估计碳影响。

• 硬件类型： A100 PCIe 40GB
• 使用小时数： 150000
• 云提供商： AWS
• 计算区域： 美国东部
• 碳排放量（功耗 x 时间 x 基于电网位置的碳产生量）： 11250 kg CO2 eq.

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}
    }

本模型卡由以下人员编写：Robin Rombach 和 Patrick Esser，基于 DALL-E Mini 模型卡。