Stable Diffusion
Ổn định khuếch tán là một mô hình chuyển văn bản thành hình ảnh nguồn mở, do Stability AI phát hành vào năm 2022, tạo ra hình ảnh bằng cách loại bỏ dần nhiễu khỏi điểm bắt đầu ngẫu nhiên.
Tổng quan
Being open and runnable on consumer GPUs, it sparked a massive community of tools, fine-tunes, and apps.
Lặn sâu
Các mô hình khuếch tán học cách đảo ngược quá trình gây nhiễu. Trong quá trình huấn luyện, hình ảnh thực được thêm nhiễu ngẫu nhiên từng bước cho đến khi chúng trở nên tĩnh; mô hình học cách dự đoán và loại bỏ tiếng ồn đó. Để tạo ra, nó bắt đầu từ tiếng ồn thuần túy và khử nhiễu liên tục cho đến khi hình ảnh mạch lạc xuất hiện, được hướng dẫn bởi lời nhắc văn bản của bạn. Thủ thuật hiệu quả chính của Khuếch tán ổn định là phần 'tiềm ẩn': thay vì hoạt động trên các pixel có độ phân giải đầy đủ, nó nén hình ảnh vào một không gian tiềm ẩn nhỏ hơn bằng cách sử dụng bộ mã hóa tự động biến thiên, chạy khử nhiễu chậm ở đó, sau đó giải mã trở lại pixel. Đây là lý do tại sao nó có thể chạy trên GPU chơi game thông thường thay vì trung tâm dữ liệu. Bộ mã hóa văn bản (CLIP trong các phiên bản đầu tiên) chuyển đổi lời nhắc của bạn thành hướng dẫn và U-Net thực hiện việc khử nhiễu. Trọng lượng mở của nó cho phép tinh chỉnh ControlNet, LoRA và vô số công cụ sáng tạo.
Hiểu biết kỹ thuật
Khuếch tán ổn định là một mô hình khuếch tán tiềm ẩn. Bộ mã hóa tự động thu nhỏ hình ảnh 512x512 thành một lưới tiềm ẩn nhỏ gọn, cắt giảm đáng kể khả năng tính toán. U-Net được đào tạo để dự đoán tiếng ồn được thêm vào ở mỗi dấu thời gian, tùy thuộc vào việc nhúng văn bản thông qua sự chú ý chéo. Hướng dẫn không cần phân loại cho phép bạn xác định mức độ hình ảnh tuân theo lời nhắc bằng cách kết hợp các dự đoán có điều kiện và không điều kiện. Khi suy luận, một bộ lấy mẫu (chẳng hạn như DDIM hoặc Euler) thực hiện một số bước khử nhiễu đã chọn; nhiều bước hơn thường có nghĩa là kết quả rõ ràng hơn nhưng phải trả giá bằng tốc độ.
Tác động chiến lược
Tốc độ và tỷ lệ
Visual AI có thể tự động hóa các nhiệm vụ kiểm tra, phát hiện và gắn thẻ trên quy mô lớn.
Xây dựng lựa chọn
Các nhóm sáng tạo có thể tạo nguyên mẫu nhanh hơn với ít sửa đổi thủ công hơn.
Nhóm và quy trình làm việc
Các hoạt động có thể sử dụng tín hiệu hình ảnh và video mà trước đây khó xử lý.
Tương lai của sự khuếch tán ổn định
Hệ sinh thái mở tiếp tục tăng tốc: các kiến trúc mới hơn (bao gồm khuếch tán dựa trên máy biến áp và lấy mẫu vài bước hoặc chưng cất nhanh hơn) cắt giảm việc tạo từ hàng chục bước xuống còn một hoặc hai, cho phép tạo gần như theo thời gian thực. Mong đợi khả năng hiển thị văn bản mạnh mẽ hơn, tuân thủ nhanh chóng hơn và chỉnh sửa hình ảnh liền mạch cùng với các tiện ích mở rộng video và 3D. Trọng lượng mở sẽ tiếp tục thúc đẩy các tinh chỉnh chuyên biệt, nhưng chúng cũng làm gia tăng các cuộc tranh luận về sự đồng ý với dữ liệu đào tạo, deepfake và hình mờ, do đó, công cụ phát hiện và xuất xứ sẽ phát triển cùng với các mô hình.
Triển khai trong thế giới thực
Các nghệ sĩ và người có sở thích tạo ra các tác phẩm nghệ thuật và hình minh họa cục bộ trên GPU của riêng họ với các tinh chỉnh LoRA tùy chỉnh
Sử dụng ControlNet để hạn chế thế hệ có khung tư thế, bản đồ độ sâu hoặc bản phác thảo cạnh để có bố cục chính xác
Inpainting và outpainting để chỉnh sửa ảnh, xóa đối tượng hoặc mở rộng cảnh ra ngoài đường viền ban đầu của nó
Các studio và nhà thiết kế trò chơi độc lập sản xuất kết cấu, bảng tâm trạng và các biến thể nội dung một cách nhanh chóng và rẻ tiền
Rủi ro & lan can
Quyền và sự đồng ý về hình ảnh có thể trở thành rủi ro pháp lý nếu nguồn gốc xuất xứ không rõ ràng.
Hiệu suất của mô hình có thể khác nhau tùy theo ánh sáng, nhân khẩu học và môi trường.
Kết quả dương tính giả có thể không được chú ý trừ khi ngưỡng tin cậy được theo dõi.
Lộ trình thực hiện
Xác định tiêu chí chấp nhận về độ chính xác, thu hồi và chi phí lỗi.
Kiểm tra với dữ liệu phù hợp với điều kiện sản xuất thực tế.
Thêm đánh giá của con người đối với những dự đoán có độ tin cậy thấp hoặc tác động cao.
Theo dõi sự trôi dạt của mô hình và xác nhận lại sau khi thay đổi máy ảnh hoặc tập dữ liệu.
Tiếp tục khám phá
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
Hướng dẫn tiếp theo
Khuếch tán video ổn định
Câu hỏi thường gặp
What is Stable Diffusion?
Ổn định khuếch tán là một mô hình chuyển văn bản thành hình ảnh nguồn mở, do Stability AI phát hành vào năm 2022, tạo ra hình ảnh bằng cách loại bỏ dần nhiễu khỏi điểm bắt đầu ngẫu nhiên. Mở và có thể chạy được trên GPU của người tiêu dùng, nó đã tạo ra một cộng đồng lớn các công cụ, tinh chỉnh và ứng dụng.
Ở mức độ cao, mô hình khuếch tán tạo ra hình ảnh như thế nào?
Các mô hình khuếch tán học cách đảo ngược quá trình nhiễu: bắt đầu từ nhiễu, chúng khử nhiễu lặp đi lặp lại cho đến khi xuất hiện một hình ảnh mạch lạc.
Điều gì khiến cho Khuếch tán ổn định đủ hiệu quả để chạy trên GPU tiêu dùng?
Khuếch tán ổn định là một mô hình khuếch tán tiềm ẩn: bộ mã hóa tự động nén hình ảnh để quá trình khử nhiễu nặng diễn ra trong không gian tiềm ẩn nhỏ hơn.
Lời nhắc văn bản của bạn ảnh hưởng như thế nào đến hình ảnh được tạo ra?
Bộ mã hóa văn bản chuyển đổi lời nhắc thành các phần nhúng điều chỉnh U-Net thông qua sự chú ý chéo, điều khiển kết quả.
Hướng dẫn không cần phân loại cho phép bạn kiểm soát những gì?
Hướng dẫn không cần phân loại kết hợp các dự đoán có điều kiện và vô điều kiện, cho phép bạn tăng hoặc giảm mức độ tuân thủ nhanh chóng.
Tại sao Khuếch tán ổn định lại tạo ra một hệ sinh thái công cụ lớn như ControlNet và LoRA?
Trọng lượng mở cho phép cộng đồng tinh chỉnh và mở rộng mô hình, tạo ra các tiện ích bổ sung như ControlNet và bộ điều hợp LoRA nhẹ.