Stable Diffusion是一种基于扩散技术的深度学习文本转图像模型，于 2022 年发布。
生成式人工智能技术是Stability AI的首要产品，被认为是正在进行的人工智能热潮的一部分。
它主要用于根据文本描述生成详细图像，但也可应用于其他任务，如修复、去除
图像以及根据文本提示生成图像到图像的转换。
它的开发由慕尼黑大学CompVis 小组和Runway的研究人员参与，Stability 提供计算支持，
并使用了非营利组织提供的训练数据。
稳定扩散是一种潜在扩散模型，是一种深度生成人工神经网络。
其代码和模型权重已公开发布，并且可以在大多数配备至少 4 GB VRAM的
普通GPU的消费级硬件上运行。
这与之前只能通过云服务访问的专有文本转图像模型（如DALL-E和Midjourney）不同。
Stable Diffusion 起源于一个名为Latent Diffusion的项目，由德国
慕尼黑路德维希马克西米利安大学和海德堡大学的研究人员开发。最初的 5 位作者中
有 4 位（Robin Rombach、Andreas Blattmann、Patrick Esser 和 Dominik Lorenz）
后来加入了 Stability AI，并发布了 Stable Diffusion 的后续版本。
该模型的技术许可证由慕尼黑路德维希马克西米利安大学的 CompVis 团队发布。
开发由Runway的 Patrick Esser 和 CompVis 的 Robin Rombach 领导，
他们是先前发明了 Stable Diffusion 使用的潜在扩散模型架构的研究人员之一。
Stability AI 还将EleutherAI和LAION（一家德国非营利组织，收集了
Stable Diffusion 训练所用的数据集）列为该项目的支持者。
架构
SD3之前的稳定扩散系列模型都使用了一种扩散模型(DM)，称为潜在扩散模型 (LDM)，
由慕尼黑大学CompVis（计算机视觉与学习）小组开发。扩散模型于 2015 年推出，
其训练目标是消除训练图像上连续应用的高斯噪声，可将其视为一系列去噪自动编码器。
稳定扩散由 3部分组成：
变分自动编码器(VAE)、U-Net和可选的文本编码器。
VAE 编码器将图像从像素空间压缩到更小维度的潜在空间，从而捕捉图像更基本的语义含义。
在前向扩散过程中，高斯噪声会迭代地应用于压缩的潜在表示。
U-Net 模块由ResNet主干组成，它对前向扩散的输出进行去噪，以获得潜在表征。
最后，VAE 解码器通过将表征转换回像素空间来生成最终图像。
去噪步骤可以灵活地根据文本字符串、图像或其他模态进行调节。
编码后的调节数据通过交叉注意机制暴露给去噪 U-Nets 。
对于文本调节，使用固定的、预训练的CLIP ViT-L/14 文本编码器将文本提示转换为嵌入空间。
研究人员指出，LDM 的优势在于训练和生成的计算效率更高。
扩散这个名字的灵感来自于热力学 扩散，2015 年，这个纯物理场与深度学习之间建立了重要的联系。
U-Net 中有 8.6亿个参数， 文本编码器中有 1.23 亿个参数，按 2022 年的标准，
Stable Diffusion 被认为是相对轻量级的。与其他扩散模型不同，它可以在消费级GPU上运行，
如果使用OpenVINO版本的 Stable Diffusion ，甚至可以仅在CPU 上运行。
3.0版本彻底改变了骨干网络。不再是 UNet，而是Rectified Flow Transformer，它使用
Transformer实现了整流方法。
SD 3.0使用的 Transformer 架构有三个"轨道"，分别用于原始文本编码、转换后的文本编码和图像编码（在潜在空间中）。
转换后的文本编码和图像编码在每个 Transformer 块中混合。
该架构被命名为"多模态扩散变换器（MMDiT）"，其中"多模态"表示它在其操作中混合了文本和图像编码。
这与以前版本的 DiT 不同，其中文本编码会影响图像编码，但反之则不然。
训练数据
稳定扩散模型在从 LAION-5B 中获取的图像和标题对上进行训练，LAION-5B 是一个公开可用的数据集，
源自从网络上抓取的Common Crawl数据，其中 50 亿个图像-文本对基于语言进行分类，并根据分辨率、
预测包含水印的可能性和预测的"美学"分数（例如主观视觉质量）过滤到单独的数据集中。
该数据集由德国非营利组织LAION创建，该组织获得 Stability AI 的资助。
稳定扩散模型在 LAION-5B 的三个子集上进行了训练：laion2B-en、laion-high-resolution 和 laion-aesthetics v2 5+。
第三方对模型训练数据的分析发现，在从原始使用的更广泛数据集中获取的 1200 万张图像的较小子集中，
约有 47% 的图像样本来自 100 个不同的域，其中Pinterest占该子集的 8.5%，
其次是WordPress、Blogspot、Flickr、DeviantArt和Wikimedia Commons等网站。
巴伐利亚广播公司的一项调查显示，LAION 托管在 Hugging Face 上的数据集包含大量私人和敏感数据。
训练过程
该模型最初在 laion2B-en 和 laion-high-resolution 子集上进行训练，最后几轮训练在
LAION-Aesthetics v2 5+ 上进行，LAION-Aesthetics v2 5+ 是一个包含 6 亿张带字幕图像的子集，
LAION-Aesthetics Predictor V2 预测，当被要求评价人们对这些图像的喜欢程度时，人类平均会给出至少5分（满分10分）。
LAION-Aesthetics v2 5+ 子集还排除了低分辨率图像和 LAION-5B-WatermarkDetection
识别为带有水印的概率超过 80% 的图像。
最后几轮训练还放弃了 10%的文本条件，以改进无分类器扩散指导。
该模型使用Amazon Web Services上的 256 个Nvidia A100 GPU进行训练，总共耗时 150,000 GPU 小时，
成本为 600,000 美元。[ 30 ] [ 31 ] [ 32 ]
SD3的训练成本约为 1000 万美元。