Stable Diffusion
Stable Diffusion je open source model převodu textu na obrázek, vydaný Stability AI v roce 2022, který generuje obrázky postupným odstraňováním šumu z náhodného výchozího bodu.
Přehled
Being open and runnable on consumer GPUs, it sparked a massive community of tools, fine-tunes, and apps.
Hluboký ponor
Difúzní modely se učí zvrátit proces rušení. Během tréninku se ke skutečným obrázkům přidává náhodný šum krok za krokem, dokud se nestanou statickými; model se naučí tento šum předvídat a odečítat. Při generování se začíná od čistého šumu a opakovaně se odšumuje, dokud se neobjeví souvislý obraz, vedený vaší textovou výzvou. Klíčovým trikem efektivity Stable Diffusion je „latentní“ část: místo práce s pixely v plném rozlišení komprimuje obrázky do menšího latentního prostoru pomocí variačního autokodéru, tam spustí pomalé odšumování a poté dekóduje zpět na pixely. To je důvod, proč může běžet na typickém herním GPU spíše než na datovém centru. Textový kodér (CLIP v dřívějších verzích) převede vaši výzvu na pokyny a U-Net provede odstranění šumu. Jeho otevřené váhy umožnily ControlNet, jemné doladění LoRA a nespočet kreativních nástrojů.
Technický přehled
Stabilní difúze je model latentní difúze. Autokodér zmenší obraz 512x512 do kompaktní latentní mřížky, čímž dramaticky sníží výpočet. U-Net je trénován tak, aby předpovídal šum přidaný v každém časovém kroku, podmíněný vložením textu prostřednictvím křížové pozornosti. Navádění bez klasifikátoru vám umožňuje vytočit, jak silně obraz následuje výzvu, smícháním podmíněných a nepodmíněných předpovědí. Na závěr, vzorkovač (jako je DDIM nebo Euler) provede zvolený počet kroků pro odstranění šumu; více kroků obecně znamená čistší výsledky za cenu rychlosti.
Strategický dopad
Rychlost a měřítko
Vizuální AI může automatizovat úkoly inspekce, detekce a označování ve velkém měřítku.
Volby sestavy
Kreativní týmy mohou prototypovat koncepty rychleji s menším počtem ručních revizí.
Tým a pracovní postup
Operace mohou využívat obrazové a video signály, které bylo dříve obtížné zpracovat.
Budoucnost stabilní difúze
Otevřený ekosystém se neustále zrychluje: novější architektury (včetně difúze založené na transformátoru a rychlejších několikakrokových nebo destilovaných vzorkovačů) snižují generování z desítek kroků na jeden nebo dva, což umožňuje tvorbu téměř v reálném čase. Očekávejte silnější vykreslování textu, lepší okamžitou přilnavost a bezproblémovou úpravu obrázků, plus video a 3D rozšíření. Otevřené váhy budou stále podporovat specializované jemné úpravy, ale také zintenzivňují debaty o souhlasu s tréninkovými daty, deepfakes a vodoznaků, takže nástroje pro detekci a původ porostou spolu s modely.
Real-World Implementace
Umělci a fandové vytvářející koncepty a ilustrace lokálně na svém vlastním GPU s vlastním jemným doladěním LoRA
Použití ControlNet k omezení generace pomocí kostry pozice, hloubkové mapy nebo náčrtu okrajů pro přesnou kompozici
Inpainting a outpainting pro úpravu fotografií, odstranění objektů nebo rozšíření scény za její původní hranice
Nezávislá herní studia a návrháři vyrábějící textury, náladové desky a variace aktiv rychle a levně
Rizika a zábradlí
Obrazová práva a souhlas se mohou stát právním rizikem, pokud je původ nejasný.
Výkon modelu se může lišit podle osvětlení, demografických údajů a prostředí.
Falešně pozitivní mohou zůstat bez povšimnutí, pokud nejsou monitorovány prahové hodnoty spolehlivosti.
Plán implementace
Definujte kritéria přijatelnosti pro přesnost, stažení a náklady na chyby.
Testujte s daty, která odpovídají reálným výrobním podmínkám.
Přidejte lidskou kontrolu pro předpovědi s nízkou spolehlivostí nebo velkým dopadem.
Sledujte posun modelu a znovu ověřte po změnách kamery nebo datové sady.
Pokračujte v objevování
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Stable Diffusion quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Další průvodce
Stabilní šíření videa
Často kladené otázky
What is Stable Diffusion?
Stable Diffusion je open source model převodu textu na obrázek, vydaný Stability AI v roce 2022, který generuje obrázky postupným odstraňováním šumu z náhodného výchozího bodu. Vzhledem k tomu, že je otevřený a spustitelný na spotřebitelských GPU, podnítil obrovskou komunitu nástrojů, jemných úprav a aplikací.
Jak na vysoké úrovni model generuje obraz?
Difúzní modely se učí zvrátit proces šumu: počínaje šumem se iterativně odšumují, dokud se neobjeví koherentní obraz.
Co dělá Stable Diffusion dostatečně efektivní, aby běžel na spotřebitelském GPU?
Stable Diffusion je model latentní difúze: autokodér komprimuje obrazy, takže silné odšumování probíhá v menším latentním prostoru.
Jak vaše textová výzva ovlivňuje vygenerovaný obrázek?
Textový kodér převede výzvu na vložení, které upraví U-Net prostřednictvím křížové pozornosti a řídí výsledek.
Co vám navádění bez klasifikátoru umožňuje ovládat?
Navádění bez klasifikátoru míchá podmíněné a nepodmíněné předpovědi, což vám umožňuje obrátit rychlé dodržování nahoru nebo dolů.
Proč Stable Diffusion podnítil tak velký ekosystém nástrojů jako ControlNet a LoRA?
Otevřené závaží umožňují komunitě doladit a rozšířit model a vytvářet doplňky, jako je ControlNet a lehké adaptéry LoRA.