/ Модель

Характеристики

Лицензия
CreativeML OpenRAIL-M
Библиотека
diffusers
Опубликована
3 дек 2023

TokenCompose_SD21_A

Генерация изображенийТекст → изображение3 профессии

Дообученная на Stable Diffusion 2.1 диффузионная модель для генерации изображений по тексту с улучшенной композицией нескольких объектов.

10скачиваний за 30 дней5лайковвеса обновлены6 июл 2024

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

TokenCompose_SD21_A — модель генерации изображений по текстовому описанию, представленная авторами работы для CVPR 2024. Она дообучена на базе Stable-Diffusion-v2-1 на парах изображений и подписей COCO из раздела VSR в течение 32 000 шагов. Обучение на разрешении 768×768 сочетает функцию потерь диффузионного восстановления с терминами привязки на уровне токенов, чтобы точнее размещать несколько категорий объектов в одной композиции и улучшить фотореалистичность.

Модель предназначена для создания изображений по текстовым запросам с несколькими объектами и заданными отношениями или композицией. В карточке приведены результаты улучшения точности объектов и показателей композиции по сравнению с SD 2.1. Репозиторий использует библиотеку Diffusers и форматы Diffusers и safetensors. Указанная лицензия — CreativeML OpenRAIL-M.

Сценарии применения

  • генерация изображений с несколькими объектами по текстовому запросу
  • создание сцен с заданным расположением объектов
  • генерация фотореалистичных изображений по описанию
  • проверка композиционных возможностей текстовых генераторов изображений

Ограничения

Модель ориентирована на композицию объектов, представленную в обучающих данных COCO VSR; результаты на других типах запросов и данных в карточке не охарактеризованы.

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

🧩 TokenCompose SD21 Model Card

🎬CVPR 2024

TokenCompose_SD21_A is a latent text-to-image diffusion model finetuned from the Stable-Diffusion-v2-1 checkpoint at resolution 768x768 on the VSR split of COCO image-caption pairs for 32,000 steps with a learning rate of 5e-6. The training objective involves token-level grounding terms in addition to denoising loss for enhanced multi-category instance composition and photorealism. The "_A/B" postfix indicates different finetuning runs of the model using the same above configurations.

📄 Paper

Please follow this link.

🧨Example Usage

We strongly recommend using the 🤗Diffuser library to run our model.

import torch
from diffusers import StableDiffusionPipeline

model_id = "mlpc-lab/TokenCompose_SD21_A"
device = "cuda"

pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float32)
pipe = pipe.to(device)

prompt = "A cat and a wine glass"
image = pipe(prompt).images[0]  
    
image.save("cat_and_wine_glass.png")

⬆️Improvements over SD21

ModelObject AccuracyMG3 COCOMG4 COCOMG5 COCOMG3 ADE20KMG4 ADE20KMG5 ADE20KFID COCO
SD2147.8270.1425.573.2775.1335.077.1619.59
TokenCompose (SD21)60.1080.4836.695.7179.5139.598.1319.15

📰 Citation

@InProceedings{Wang2024TokenCompose,
    author    = {Wang, Zirui and Sha, Zhizhou and Ding, Zheng and Wang, Yilin and Tu, Zhuowen},
    title     = {TokenCompose: Text-to-Image Diffusion with Token-level Supervision},
    booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
    month     = {June},
    year      = {2024},
    pages     = {8553-8564}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Можно запустить

Подбираем GPU…

Ревизия весов
ff3244a

0 моделей