/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
3 мар 2023

mitsua-diffusion-one

Генерация изображенийТекст → изображение3 профессии

Mitsua Diffusion One — латентная диффузионная модель Abstract Engine для генерации изображений по текстовым описаниям.

436скачиваний за 30 дней101лайквеса обновлены9 мар 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Изображения» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Mitsua Diffusion One — латентная диффузионная модель генерации изображений по текстовому описанию, разработанная Abstract Engine как основа для деятельности AI VTuber Elan Mitsua. Модель обучена с нуля; для обработки текста используется предварительно обученный энкодер OpenCLIP ViT-H/14. Доступна в форматах Diffusers и PyTorch.

Модель предназначена для создания изображений по текстовым запросам. Обучение проходило на разрешениях от 256×256 до 768×512 и 512×768; набор данных включал около 11 млн изображений из общественного достояния, под лицензией CC0 или с разрешением на использование. В README отдельно указано, что версия с суффиксом «base» не содержит последующего дообучения, тогда как версия Diffusers и файл mitsua-diffusion-one.ckpt дообучены методом Diffusion With Offset Noise.

Авторы предупреждают о низком качестве и недостаточном разнообразии результатов. Лицензия модели обозначена в метаданных как other; README сообщает об источниках обучающих данных, но не уточняет условия лицензии самой модели.

Сценарии применения

  • создание изображений по текстовым запросам
  • генерация иллюстраций и визуальных концепций
  • эксперименты с дообучением диффузионной модели
  • подготовка изображений для AI VTuber Elan Mitsua

Ограничения

В README указаны низкое качество и недостаточное разнообразие результатов. Лицензия модели в метаданных обозначена как other, а точные условия использования самой модели не приведены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Mitsua Diffusion One Model Card

Mitsua Diffusion One is a latent text-to-image diffusion model, which is a successor of Mitsua Diffusion CC0.

This model is trained from scratch using only public domain/CC0 or copyright images with permission for use, with using a fixed pretrained text encoder (OpenCLIP ViT-H/14, MIT License).

This will be used as a base model for AI VTuber Elan Mitsua🖌️’s activity.

❗❗ Currently, the model is still of low quality and lacks diversity ❗❗

Further training will be done fully opt-in basis.

If you are interested in, please click here to submit an opt-in application.

We are active on a Discord server for opt-in contributors only. Communication is currently in Japanese.

❗❗ To train this model, images from opt-in contributors have not yet been used ❗❗

Header

You can check here to all prompts to generate these images.

License

  • Mitsua Open RAIL-M License (More restrictive variant of CreativeML Open RAIL-M)

This model is open access and available to all, with a Mitsua Open RAIL-M license further specifying rights and usage. The Mitsua Open RAIL-M License specifies:

  1. You can't use the model to deliberately produce nor share illegal or harmful outputs or content
  2. The authors claims no rights on the outputs you generate, you are free to use them and are accountable for their use which must not go against the provisions set in the license
  3. You can't use the model to infringe any rights of other by feeding image sources or model weights to the model (e.g. using another person's copyrighted image for fine-tuning without permission, using another person's copyrighted image as a source for image2image without permission).
  4. You can't misrepresent that a generated image as not AI-generated.
  5. You may re-distribute the weights and use the model commercially and/or as a service. If you do, please be aware you have to include the same use restrictions as the ones in the license and share a copy of the Mitsua Open RAIL-M to all your users (please read the license entirely and carefully) Please read the full license here

Training Data Sources

All data was obtained ethically and in compliance with the site's terms and conditions. No copyright images are used in the training of this model without the permission. No AI generated images are in the dataset.

  • The Metropolitan Museum of Art Open Access (CC0 / Public domain)
  • Smithsonian Museum Open Access (CC0 / Public domain)
  • Cleveland Museum of Art Open Access (CC0 / Public domain)
  • National Gallery of Art Open Access (CC0 / Public domain)
  • The Art Institute of Chicago Open Access (CC0 / Public domain)
  • The Walters Art Museum Open Access (CC0 / Public domain)
  • J. Paul Getty Museum Open Access (CC0 / Public domain)
  • ArtBench-10 (public domain subset)
  • Flickr (CC0 subset)
  • Wikimedia Commons (CC0 subset)
  • NFT arts *1 (goblintown.nft, mfer, tubby-cats, Timeless) (CC0)
  • Full version of VRoid Image Dataset (CC0 or licensed)
  • Open Clipart (Public domain)
  • Open Duelyst (CC0)
  • 3dicons (CC0)
  • ambientCG (CC0)
  • Wuffle comics made by Piti Yindee (CC0)
  • 大崎一番太郎 made by 大崎駅西口商店会 (CC0)
  • Traditional Generative Art (Non-AI) and Visual Artworks made by Rhizomatiks (licensed)

Approx 11M images in total with data augmentation.

  1. Their work is released under a CC0 license, but if you are considering using this model to create a work inspired by their NFT and sell it as NFT, please consider paying them a royalty to help the CC0 NFT community grow.

Training Notes

  • Trained resolution : 256x256 --> 512x512 --> (512x512, 640x448, 448x640) --> (512x512, 768x512, 512x768)
  • diffusers version and mitsua-diffusion-one.ckpt are fine-tuned with Diffusion With Offset Noise technique which is applied to last 12k steps with p=0.02.
  • mitsua-diffusion-one-base.ckpt is non-fine-tuned version. For fine-tuning stuff, this version would be better choice.

Cosine similarity (as a proof of full-scratch training)

  • VAE
    • 0.16694325 (vs Stable Diffusion v2.1 base)
    • 0.20887965 (vs Stable Diffusion v.1.4)
    • All fine-tuned variant would have over 0.90
  • U-Net
    • 0.07097270 (vs Stable Diffusion v2.1 base)
    • 0.08351029 (vs Stable Diffusion v.1.4)
    • All fine-tuned variant would have over 0.99

Developed by

  • Latent Diffusion Models (for algorithm and training scripts, MIT License) : Robin Rombach, Andreas Blattmann, Dominik Lorenz, Patrick Esser and Björn Ommer
  • OpenCLIP : Ilharco Gabriel, Wortsman Mitchell, Wightman Ross, Gordon Cade, Carlini Nicholas, Taori Rohan, Dave Achal, Shankar Vaishaal, Namkoong Hongseok, Miller John, Hajishirzi Hannaneh, Farhadi Ali, Schmidt Ludwig
  • Mitsua Diffusion One : Abstract Engine
  • Special Thanks to Mitsua Contributors

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Ревизия весов
b20d3b7

0 моделей