Stable Diffusion

Nella sua forma più semplice è un modello text-to-image, dato un prompt testuale, genera un'immagine corrispondente. E' stato finanziato da Stability AI, ed è stato rilasciato nel 2022. Il paper originale è High-Resolution Image Synthesis with Latent Diffusion Models (Giugno 2022).

Versioni

Versione 1: immagini 512x512
Versione 2: immagini 768x768 (09/2022)
Versione XL (SDXL): immagini 1024x1024 (07/2023)

Principale differenza rispetto agli altri modelli di generazione di immagini

Diversamente da VAE e Generative Adversarial Networks (GAN), che generano le immagini in un solo passaggio, Stable Diffusion genera le immagini iterativamente.

Architettura

Utilizza un tipo di Modello Di Diffusione, anche chiamato LDM (Modello di Diffusione Latente). Durante il processo di codifica, o Forward Diffusion, un VAE - Variational Autoencoder comprime l'immagine dallo spazio dei pixel a uno spazio latente con meno dimensioni, catturando il significato semantico dell'immagine, da cui il termine LDM (Modello di Diffusione Latente. Lo spazio latente di Stable Diffusion è di dimensioni 4x64x64 per immagini di dimensioni 512x512, 48 volte più piccolo dello spazio originale dei pixel.

In maniera iterativa viene poi aggiunto del rumore gaussiano alle rappresentazioni delle immagini come vettori in questo spazio latente, in step, finchè non diventa rumore bianco. Un tipico numero di iterazioni è 1000. Il processo di Reverse Diffusion rimuove poi il rumore, attraverso l'utilizzo di un modello U-Net a cui si insegna a predire quanto rumore è stato aggiunto ad ogni passo. Infine, la parte Decoder del VAE - Variational Autoencoder viene utilizzata per creare i valori dei pixel dallo spazio latente.

La parte di condizionamento, derivante dal prompt, utilizza la codifica dei token - creta utilizzando il tokenizer CLIP di OpenAI in embedding (dimensione 768 per AUTOMATIC1111), fino a un numero massimo di 75 token. Questi embedding vengono poi utilizzati per "indirizzare" il modello di Reverse Diffusion verso immagini che contengono ciò che viene richiesto nel prompt.

Addestramento

L'addestramento, secondo Wikipedia, è stato eseguito utilizzanto LAION-5B.

Applicazioni

gradio [1]

Overview Parametri Globali

Questi sono i parametri globali di Stable Diffusion che esercitano un impatto generale sulle generazioni indipendentemente dal tool utilizzato. Abbiamo, da sinistra verso destra:

Stable Diffusion checkpoint
- Cos'è: La selezione del checkpoint stabilisce quale versione del modello di Stable Diffusion viene impiegata per il processo di refining. Di default viene proposto realisticVisionV51_v51VAE.safetensors [15012c538f], specializzato sulla generazione di immagini realistiche, ma è possibile utilizzare una miriade di variazioni diverse del modello. Ne puoi trovare molti su Civit AI [2]
- A cosa corrisponde dell'Architettura: Consente di selezionare lo stato specifico dei pesi applicati al modello pre-addestrato di Stable Diffusion, risultato di un fine-tuning finalizzato all'ottenimento di uno stile in particolare.
- Come impatta l'Output: Cambiare il checkpoint cambierà lo stile e, potenzialmente, la qualità delle immagini generate.

SD VAE
- Cos'è: la VAE serve in questo caso a migliorare la qualità dell'immagine generata, per esempio attraverso l'apprendimento di una rappresentazione latente più efficiente dei dati. In sostanza, agisce su come i dati vengono compressi e ricostruiti durante il processo di generazione.
- A cosa corrisponde dell'Architettura:

Nella funzione di caricamento del modello, VAE SD è un argomento che se attivo inizializza il ciclo for qui sotto:

   def load_model_from_config(config, ckpt, verbose=False, vae_sd=None):
       print(f"Loading model from {ckpt}")
       pl_sd = torch.load(ckpt, map_location="cpu")
       msg = None
       if "global_step" in pl_sd:
           msg = f"This is global step {pl_sd['global_step']}. "
       if "model_ema.num_updates" in pl_sd["state_dict"]:
           msg += f"And we got {pl_sd['state_dict']['model_ema.num_updates']} EMA updates."
       global_step = pl_sd.get("global_step", "?")
       sd = pl_sd["state_dict"]
       if vae_sd is not None:
           for k in sd.keys():
               if "first_stage" in k:
                   sd[k] = vae_sd[k[len("first_stage_model."):]]

- Come impatta l'Output: L'impatto dell'attivazione del VAE ("automatic") rispetto alla sua disattivazione ("none") varia a seconda del modello utilizzato, ma in generale si traduce in una migliore nitidezza, coerenza e qualità visiva generale.

Clip Skip([3])
- Cos'è: Determina a quanti strati prima dell'ultimo viene interrotta l'elaborazione.
- A cosa corrisponde dell'Architettura: Va a troncare semplicemente il processo generativo.
- Come impatta l'Output: Più è alto il clip skip più la generazione sembra fermarsi a stadi molto primordiali di elaborazione, risultando in una generazione che pur essendo di qualità normale a livello di risoluzione, risulta completamente scollegata dal prompt. Alzare il clip skip può essere utile quando vogliamo generare un'immagine molto generica, la cui realizzazione non necessita che vengano scomodate molte sottocategorie. Ad esempio, se voglio un'immagine semplice di una mucca, senza necessità di particolari dettagli, probabilmente si potrà ottenere un risultato soddisfacente anche senza sfruttare tutti gli strati della rete.

Stable Diffusion

Versioni

Principale differenza rispetto agli altri modelli di generazione di immagini

Architettura

Addestramento

Applicazioni

Overview Parametri Globali

Tool

Links

Papers

Github

Tutorial