白交 發自 凹非寺
量子位 | 公眾號 QbitAI
免費開源的Stable Diffusion太火了！
有人拿它來做視訊短片，幾分鐘內穿越時間看遍地球萬物的演變。
還有人拿它來製作守望先鋒裡的英雄。
甚至因為使用過於氾濫，牽涉到藝術版權的問題，一群藝術家們還吵了起來，並把一個非官方賬號舉報到封號。
這背後究竟是如何運作的，才能形成如此驚人的反響？
這幾天，有位小哥分享了Stable Diffusion工作機制的執行緒，還被LeCun點了贊。
來看看究竟說了啥。
又是擴散模型
首先，從名字Stable Diffusion就可以看出，這個主要採用的擴散模型（Diffusion Model）。
簡單來說，擴散模型就是去噪自編碼器的連續應用，逐步生成圖像的過程。
一般所言的擴散，是反覆在圖像中添加小的、隨機的噪聲。而擴散模型則與這個過程相反——將噪聲生成高畫質圖像。訓練的神經網路通常為U-net。
不過因為模型是直接在像素空間運行，導致擴散模型的訓練、計算成本十分昂貴。
基於這樣的背景下，Stable Diffusion主要分兩步進行。
首先，使用編碼器將圖像x壓縮為較低維的潛在空間表示z（x）。
其中上下文（Context）y，即輸入的文字提示，用來指導x的去噪。
它與時間步長t一起，以簡單連接和交叉兩種方式，注入到潛在空間表示中去。
隨後在z（x）基礎上進行擴散與去噪。換言之， 就是模型並不直接在圖像上進行計算，從而減少了訓練時間、效果更好。
值得一提的是，Stable DIffusion的上下文機制非常靈活，y不光可以是圖像標籤，就是蒙版圖像、場景分割、空間佈局，也能夠相應完成。
霸佔GitHub熱榜第一
這個平臺一開源，就始終霸佔GitHub熱榜第一，目前已累計2.9k星。
它是由慕尼黑大學機器視覺與學習研究小組和Runway的研究人員，基於CVPR2022的一篇論文《High-Resolution Image Synthesis with Latent Diffusion Models》，並與其他社區團隊合作開發的一款開源模型。
據官方介紹，它能在幾秒內在消費級CPU上運行創作，也無需進行任何預處理和後處理。
核心資料集是LAION-5B的一個子集，它是專為基於CLIP的新模型而創建。
同時，它也是首個在4000個A100 Ezra-1 AI超大集群上進行訓練的文字轉圖像模型。
不管怎麼說，在文字生成圖像這一趴，又多了一位實力強勁的明星了。（狗頭）
GitHub連結：
https://github.com/CompVis/latent-diffusion
參考連結：
[1]https://twitter.com/ai__pub/status/1561362542487695360
[2]https://stability.ai/blog/stable-diffusion-announcement
[3]https://arxiv.org/abs/2112.10752
