/ Модель

Характеристики

Лицензия
CreativeML OpenRAIL-M
Базовая модель
stable-diffusion-v1-5
Опубликована
13 мая 2023

controlnet-encoded-hands-130k

Генерация изображенийТекст → изображение3 профессии

ControlNet для Stable Diffusion 1.5, который помогает генерировать реалистичные руки по цветовым ориентирам MediaPipe.

6скачиваний за 30 дней7лайковвеса обновлены18 мая 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

vllab разработала ControlNet для Stable Diffusion 1.5, обученный генерировать более реалистичные изображения рук по закодированным ориентирам кисти MediaPipe. Модель использует цветовое кодирование ориентиров ладони, чтобы различать левую и правую руку; веса можно применять самостоятельно или для дорисовки частей изображения. Обучение проводилось на 130 тысячах изображений из набора HaGRID.

Модель предназначена для генерации изображений по текстовому запросу с управлением по изображению-условию, например для задания положения и формы рук. Веса опубликованы в формате Diffusers/PyTorch и safetensors. Лицензия — CreativeML Open RAIL-M. Авторы сообщают, что при небольшом числе шагов обучения закодированная версия работала лучше стандартных ориентиров MediaPipe; это наблюдение не является гарантией качества для всех сценариев.

Сценарии применения

  • генерация изображений рук в заданной позе
  • управление положением и формой рук на изображении по ориентирам
  • дорисовка рук в режиме inpainting
  • создание изображений жестов с различением левой и правой руки

Ограничения

Качество зависит от ориентиров-условий и обучающих данных; README отмечает, что базовые диффузионные модели часто плохо генерируют реалистичные руки. Авторы описывают преимущество закодированных ориентиров по собственным наблюдениям, но не приводят количественной оценки.

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

Model Description

As Stable diffusion and other diffusion models are notoriously poor at generating realistic hands for our project we decided to train a ControlNet model using MediaPipes landmarks in order to generate more realistic hands avoiding common issues such as unrealistic positions and irregular digits.

We opted to use the HAnd Gesture Recognition Image Dataset and MediaPipe's Hand Landmarker to train a control net that could potentially be used independently or as an in-painting tool.

Preprocess

To preprocess the data there were three options we considered:

  • The first was to use Mediapipes built-in draw landmarks function. This was an obvious first choice however we noticed with low training steps that the model couldn't easily distinguish handedness and would often generate the wrong hand for the conditioning image.
  • To counter this issue we changed the palm landmark colors with the intention to keep the color similar in order to learn that they provide similar information, but different to make the model know which hands were left or right.
  • The last option was to use MediaPipe Holistic to provide pose face and hand landmarks to the ControlNet. This method was promising in theory, however, the HaGRID dataset was not suitable for this method as the Holistic model performs poorly with partial body and obscurely cropped images.

We anecdotally determined that when trained at lower steps the encoded hand model performed better than the standard MediaPipe model due to implied handedness. We theorize that with a larger dataset of more full-body hand and pose classifications, Holistic landmarks will provide the best images in the future however for the moment the hand-encoded model performs best. This repo contain the weight of Encoded hand ControlNet model

Dataset

130k image Dataset for Hand Encoding Mode

Examples

These are controlnet weights trained on runwayml/stable-diffusion-v1-5 with new type of conditioning. You can find some example images in the following.

prompt: a man in a colorful shirt giving a peace sign in front of a rallying crowd images_0) prompt: a police officer signaling someone to stop in a park images_1)

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Пайплайн StableDiffusionControlNetPipeline требует картинку на входе: такой ввод пока не поддерживается.

Ревизия весов
a89803d

0 моделей