Stable Diffusion v1-5 模型卡片

Stable Diffusion 是一个潜在文本到图像扩散模型，能够根据任何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 分辨率下对 "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。

Diffusers

from diffusers import StableDiffusionPipeline

model_id = "runwayml/stable-diffusion-v1-5"
pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16, revision="fp16")
pipe = pipe.to(device)

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

更多详细说明、用例和 JAX 示例，请按照 此处 的说明操作。

原始 GitHub 仓库

1. 下载权重 v1-5-pruned-emaonly.ckpt
2. 按照 此处 的说明操作。

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 是一个 Open RAIL M 许可证，改编自 BigScience 和 RAIL 倡议 在负责任 AI 许可领域联合开展的工作。另请参阅 BLOOM Open RAIL 许可证文章，我们的许可证基于该文章。

• 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。它是一个 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 中所建议。

• 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。
• 探索和理解生成模型的局限性和偏见。
• 生成艺术作品并用于设计和其他艺术过程。
• 应用于教育或创意工具。
• 对生成模型的研究。

排除的用途如下所述。

误用、恶意使用和超出范围的使用

注意：本节摘自 DALLE-MINI 模型卡片，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。这包括生成人们合理预期会感到不安、痛苦或冒犯的图像；或传播历史或当前刻板印象的内容。

超出范围的使用

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

误用和恶意使用

使用该模型生成对个人残忍的内容是对该模型的误用。这包括但不限于：

• 生成贬低、非人化或以其他方式有害的人物或其环境、文化、宗教等表征。
• 故意推广或传播歧视性内容或有害刻板印象。
• 未经个人同意冒充个人。
• 未经可能观看者同意的性内容。
• 错误信息和虚假信息
• 极端暴力和血腥的表征
• 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照片级真实感
• 该模型无法渲染清晰的文本
• 该模型在涉及组合性的更困难任务上表现不佳，例如渲染与"蓝色球体上的红色立方体"对应的图像
• 面部和一般人物可能无法正确生成。
• 该模型主要使用英语标题进行训练，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，其中包含成人材料，在没有额外安全机制和考虑的情况下不适合产品使用。
• 未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化。 可以在 https://rom1504.github.io/clip-retrieval/ 搜索训练数据，以帮助检测记忆化的图像。

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， 该数据集主要由英语描述的图像组成。 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， 该模型使用非英语提示生成内容的能力明显不如使用英语提示。

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 概念进行比对来工作。 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，该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别概率。 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训练该模型：

• LAION-2B (en) 及其子集（见下一节）

训练过程 Stable Diffusion v1-4 是一个潜在扩散模型，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机制馈送到潜在扩散模型的 UNet 主干。
• 损失是添加到潜在表示的噪声与 UNet 预测之间的重建目标。

我们目前提供四个检查点，它们的训练方式如下。

• 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。

• 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 个 PNDM/PLMS 采样 步骤的评估显示了检查点的相对改进：

使用 50 个 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) 提出的 机器学习影响计算器 估算以下 CO2 排放量。硬件、运行时间、云提供商和计算区域用于估计碳影响。

• 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 基于电网位置的碳排放）： 11250 kg 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}
    }

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