Stable Diffusion團(tuán)隊(duì)放大招！新繪畫(huà)模型直出AI海報(bào)，像素級(jí)生成

夢(mèng)晨 2023-04-29 13:10:23 來(lái)源：量子位

夢(mèng)晨 發(fā)自 凹非寺
量子位 | 公眾號(hào) QbitAI

開(kāi)源AI繪畫(huà)扛把子，Stable Diffusion背后公司StabilityAI再放大招！

全新開(kāi)源模型DeepFloyd IF，一下獲星2千+并登上GitHub熱門(mén)榜。

DeepFloyd IF不光圖像質(zhì)量是照片級(jí)的，還解決了文生圖的兩大難題：

準(zhǔn)確繪制文字。（霓虹燈招牌上寫(xiě)著xxx）

以及準(zhǔn)確理解空間關(guān)系。（一只貓照鏡子看見(jiàn)獅子的倒影）

網(wǎng)友表示，這可是個(gè)大事，之前想讓Midjourney v5在霓虹燈招牌上寫(xiě)個(gè)字AI都是瞎劃拉兩筆，對(duì)于鏡子理解的也不對(duì)。

使用DeepFloyd IF，可以把指定文字巧妙放置在畫(huà)面中任何地方。

霓虹燈招牌、街頭涂鴉、服飾、手繪插畫(huà)，文字都會(huì)以合適的字體、風(fēng)格、排版出現(xiàn)在合理的地方。

這意味著，AI直出商品渲染圖、海報(bào)等實(shí)用工作流程又打通一環(huán)。

還在視頻特效上開(kāi)辟了新方向。

目前DeepFloyd IF以非商用許可開(kāi)源，不過(guò)團(tuán)隊(duì)解釋這是暫時(shí)的，獲得足夠的用戶(hù)反饋后將轉(zhuǎn)向更寬松的協(xié)議。

有需求的小伙伴可以抓緊反饋起來(lái)了。

像素級(jí)圖像生成

DeepFloyd IF仍然基于擴(kuò)散模型，但與之前的Stable Diffusion相比有兩大不同。

負(fù)責(zé)理解文字的部分從OpenAI的CLIP換成了谷歌T5-XXL，結(jié)合超分辨率模塊中額外的注意力層，獲得更準(zhǔn)確的文本理解。

負(fù)責(zé)生成圖像的部分從潛擴(kuò)散模型換成了像素級(jí)擴(kuò)散模型。

也就是擴(kuò)散過(guò)程不再作用于表示圖像編碼的潛空間，而是直接作用于像素。

官方還提供了一組DeepFloyd IF與其他AI繪畫(huà)模型的直觀(guān)對(duì)比。

可以看出，使用T5做文本理解的谷歌Parti和英偉達(dá)eDiff-1也都可以準(zhǔn)確繪制文字，AI不會(huì)寫(xiě)字這事就是CLIP的鍋。

不過(guò)英偉達(dá)eDiff-1不開(kāi)源，谷歌的幾個(gè)模型更是連個(gè)Demo都不給，DeepFloyd IF就成了更實(shí)際的選擇。

具體生成圖像上DeepFloyd IF與之前模型一致，語(yǔ)言模型理解文本后先生成64×64分辨率的小圖，再經(jīng)過(guò)不同層次的擴(kuò)散模型和超分辨率模型放大。

在這種架構(gòu)上，通過(guò)把指定圖像縮小回64×64再使用新的提示詞重新執(zhí)行擴(kuò)散，也實(shí)現(xiàn)以圖生圖并調(diào)整風(fēng)格、內(nèi)容和細(xì)節(jié)。

并且不需要對(duì)模型做微調(diào)就可直接實(shí)現(xiàn)。

另外，DeepFloyd IF的優(yōu)勢(shì)還在于，IF-4.3B基礎(chǔ)模型是目前擴(kuò)散模型中U-Net部分有效參數(shù)是最多的。

在實(shí)驗(yàn)中，IF-4.3B取得了最好的FID分?jǐn)?shù)，并達(dá)到SOTA（FID越低代表圖像質(zhì)量越高、多樣性越好）。

誰(shuí)是DeepFloyd

DeepFloyd AI Research是StabilityAI旗下的獨(dú)立研發(fā)團(tuán)隊(duì)，深受搖滾樂(lè)隊(duì)平克弗洛伊德影響，自稱(chēng)為一只“研發(fā)樂(lè)隊(duì)”。

主要成員只有4人，從姓氏來(lái)看均為東歐背景。

這次除了開(kāi)源代碼外，團(tuán)隊(duì)在HuggingFace上還提供了DeepFloyd IF模型的在線(xiàn)試玩。

我們也試了試，很可惜的是目前對(duì)中文還不太支持。

原因可能是其訓(xùn)練數(shù)據(jù)集LAION-A里面中文內(nèi)容不多，不過(guò)既然開(kāi)源了，相信在中文數(shù)據(jù)集上訓(xùn)練好的變體也不會(huì)太晚出現(xiàn)。

One More Thing

DeepFloyd IF并不是Stability AI昨晚在開(kāi)源上的唯一動(dòng)作

語(yǔ)言模型方面，他們也推出了首個(gè)開(kāi)源并引入RLHF技術(shù)的聊天機(jī)器人StableVicuna，基于小羊駝Vicuna-13B模型實(shí)現(xiàn)。

目前代碼和模型權(quán)重已開(kāi)放下載。

完整的桌面和移動(dòng)界面也即將發(fā)布。

Deepfloyd IF在線(xiàn)試玩：
https://huggingface.co/spaces/DeepFloyd/IF

代碼：
https://github.com/deep-floyd/IF

StableVicuna在線(xiàn)試玩：
https://huggingface.co/spaces/CarperAI/StableVicuna

權(quán)重下載：
https://huggingface.co/CarperAI/stable-vicuna-13b-delta

參考鏈接：
[1]https://deepfloyd.ai/deepfloyd-if
[2]https://stability.ai/blog/deepfloyd-if-text-to-image-model
[3]https://stability.ai/blog/stablevicuna-open-source-rlhf-chatbot
[4]https://stable-diffusion-art.com/how-stable-diffusion-work/