免費開源的 Stable Diffusion 太火了！

有人拿它來做視頻短片，幾分鐘內穿越時間看遍地球萬物的演變。

還有人拿它來制作守望先鋒里的英雄。

甚至因為使用過于泛濫，牽涉到藝術版權的問題，一群藝術家們還吵了起來，并把一個非官方賬號舉報到封號。

這背后究竟是如何運作的，才能形成如此驚人的反響？

這幾天，有位小哥分享了 Stable Diffusion 工作機制的線程，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，這個主要采用的擴散模型（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，是反復在圖像中添加小的、隨機的噪聲。而擴散模型則與這個過程相反——將噪聲生成高清圖像。訓練的神經網絡通常為 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。

基于這樣的背景下，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，即輸入的文本提示，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。

隨后在 z（x）基礎上進行擴散與去噪。換言之， 就是模型并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 不光可以是圖像標簽，就是蒙版圖像、場景分割、空間布局，也能夠相應完成。

霸占 GitHub 熱榜第一

這個平臺一開源，就始終霸占 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，基于 CVPR2022 的一篇論文《High-Resolution Image Synthesis with Latent Diffusion Models》，并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后處理。

核心數據集是 LAION-5B 的一個子集，它是專為基于 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本轉圖像模型。

不管怎么說，在文本生成圖像這一趴，又多了一位實力強勁的明星了。（狗頭）