Stable Diffusion v1-4 潜空间文生图
数据集简介
模型卡片
Stable Diffusion 是一个潜空间文本到图像扩散模型,给定任意文本输入即可生成照片级真实感图像。本页面为 Stable Diffusion v1-4 的原始检查点发布页,提供两个权重文件:sd-v1-4.ckpt 与 sd-v1-4-full-ema.ckpt,均需配合原始 CompVis Stable Diffusion 代码库加载使用。模型权重以 .ckpt 格式分发,采用 CreativeML OpenRAIL M 许可,公开可下载,但仅限研究用途。相关论文为《High-Resolution Image Synthesis With Latent Diffusion Models》,作者包括 Robin Rombach、Patrick Esser、Andreas Blattmann、Dominik Lorenz 与 Björn Ommer。
直接用途
模型面向文本到图像生成任务,可根据文本提示合成照片级真实感图像,适用于生成式人工智能与计算机视觉方向的研究实验。模型卡明确说明该模型仅用于研究目的,不面向生产或商业部署场景。
误用、恶意使用与超出范围的用途
模型卡对潜在滥用风险作出提示:模型可能被用于生成虚假或误导性图像内容,也可能在未经授权的情况下模仿特定风格或人物。使用者应避免将模型用于欺骗、骚扰、侵犯隐私或其他违法用途,并注意生成内容可能带有社会偏见。
局限性与偏见
模型存在生成内容不可控、可能产生有害或偏见性输出等局限。由于训练数据来自大规模网络图文对,模型可能放大数据中固有的社会偏见与刻板印象,生成结果不保证事实准确或符合特定文化语境。
训练过程
Stable-Diffusion-v-1-4 检查点由 Stable-Diffusion-v-1-2 检查点的权重初始化,随后在 laion-aesthetics v2 5+ 数据集上以 512x512 分辨率微调 225k 步。训练数据为 LAION-2B(en) 及其子集 laion-aesthetics v2 5+,该子集依据美学评分筛选。
评估结果
模型卡提供评估结果部分,用于说明模型在相关指标上的表现。评估围绕文本到图像生成质量展开,具体数值以模型卡所列结果为准。
环境影响
模型卡包含环境影响说明,涉及模型训练与推理所消耗的计算资源及其对应的能源使用情况。
引用
若在研究中使用本模型,请引用论文《High-Resolution Image Synthesis With Latent Diffusion Models》,作者为 Robin Rombach、Patrick Esser、Andreas Blattmann、Dominik Lorenz 与 Björn Ommer。