/ Модель

Характеристики

Размер весов
335 МБ
Лицензия
MIT
Опубликована
23 мар 2023

sd-vae-ft-mse-flax

Генерация изображенийТекст → изображение3 профессии

Flax-версия дообученного декодера KL-f8 VAE для замены автоэнкодера в конвейерах Stable Diffusion и улучшения реконструкции изображений.

2 516скачиваний за 30 дней3лайкавеса обновлены23 мар 2023

Бенчмарки

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

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

sd-vae-ft-mse-flax — вариант автоэнкодера KL-f8 для Stable Diffusion, опубликованный в формате Flax и предназначенный для использования с библиотекой Diffusers. Разработчики дообучили только декодер исходного автоэнкодера: сначала получили версию ft-EMA, затем продолжили её обучение для версии ft-MSE, используя функцию потерь MSE + 0,1 × LPIPS и веса EMA. В карточке указаны обучение на смеси LAION-Aesthetics и набора изображений людей LAION-Humans, а также цель улучшить восстановление лиц.

Автоэнкодер восстанавливает изображения из латентных представлений и обратно; он совместим с существующими моделями Stable Diffusion как замена исходного автоэнкодера. Версия ft-MSE даёт более сглаженные результаты реконструкции. Это компонент генеративного конвейера Stable Diffusion, а не самостоятельная модель для генерации изображений по текстовому запросу. Распространяется по лицензии MIT.

Сценарии применения

  • Замена VAE в совместимом конвейере Stable Diffusion
  • Восстановление изображений из латентных представлений
  • Преобразование изображений в латентное пространство для Stable Diffusion

Ограничения

Это компонент автоэнкодера для конвейеров Stable Diffusion, а не самостоятельный генератор изображений по тексту. Версия ft-MSE создаёт более сглаженные реконструкции; для использования требуется совместимый код загрузки VAE.

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

Improved Autoencoders

Utilizing

These weights are intended to be used with the 🧨 diffusers library. If you are looking for the model to use with the original CompVis Stable Diffusion codebase, come here.

This is a Flax version of the original weights

Decoder Finetuning

We publish two kl-f8 autoencoder versions, finetuned from the original kl-f8 autoencoder on a 1:1 ratio of LAION-Aesthetics and LAION-Humans, an unreleased subset containing only SFW images of humans. The intent was to fine-tune on the Stable Diffusion training set (the autoencoder was originally trained on OpenImages) but also enrich the dataset with images of humans to improve the reconstruction of faces. The first, ft-EMA, was resumed from the original checkpoint, trained for 313198 steps and uses EMA weights. It uses the same loss configuration as the original checkpoint (L1 + LPIPS). The second, ft-MSE, was resumed from ft-EMA and uses EMA weights and was trained for another 280k steps using a different loss, with more emphasis on MSE reconstruction (MSE + 0.1 * LPIPS). It produces somewhat ``smoother'' outputs. The batch size for both versions was 192 (16 A100s, batch size 12 per GPU). To keep compatibility with existing models, only the decoder part was finetuned; the checkpoints can be used as a drop-in replacement for the existing autoencoder.

Original kl-f8 VAE vs f8-ft-EMA vs f8-ft-MSE

Evaluation

COCO 2017 (256x256, val, 5000 images)

Modeltrain stepsrFIDPSNRSSIMPSIMLinkComments
original2468034.9923.4 +/- 3.80.69 +/- 0.141.01 +/- 0.28https://ommer-lab.com/files/latent-diffusion/kl-f8.zipas used in SD
ft-EMA5600014.4223.8 +/- 3.90.69 +/- 0.130.96 +/- 0.27https://huggingface.co/stabilityai/sd-vae-ft-ema-original/resolve/main/vae-ft-ema-560000-ema-pruned.ckptslightly better overall, with EMA
ft-MSE8400014.7024.5 +/- 3.70.71 +/- 0.130.92 +/- 0.27https://huggingface.co/stabilityai/sd-vae-ft-mse-original/resolve/main/vae-ft-mse-840000-ema-pruned.ckptresumed with EMA from ft-EMA, emphasis on MSE (rec. loss = MSE + 0.1 * LPIPS), smoother outputs

LAION-Aesthetics 5+ (256x256, subset, 10000 images)

Modeltrain stepsrFIDPSNRSSIMPSIMLinkComments
original2468032.6126.0 +/- 4.40.81 +/- 0.120.75 +/- 0.36https://ommer-lab.com/files/latent-diffusion/kl-f8.zipas used in SD
ft-EMA5600011.7726.7 +/- 4.80.82 +/- 0.120.67 +/- 0.34https://huggingface.co/stabilityai/sd-vae-ft-ema-original/resolve/main/vae-ft-ema-560000-ema-pruned.ckptslightly better overall, with EMA
ft-MSE8400011.8827.3 +/- 4.70.83 +/- 0.110.65 +/- 0.34https://huggingface.co/stabilityai/sd-vae-ft-mse-original/resolve/main/vae-ft-mse-840000-ema-pruned.ckptresumed with EMA from ft-EMA, emphasis on MSE (rec. loss = MSE + 0.1 * LPIPS), smoother outputs

Visual

Visualization of reconstructions on 256x256 images from the COCO2017 validation dataset.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Генеративная модель выложена не в формате diffusers.

Ревизия весов
7581b0a

0 моделей