Diffusers 文档
AsymmetricAutoencoderKL
并获得增强的文档体验
开始使用
AsymmetricAutoencoderKL
改进的KL损失的更大变分自编码器(VAE)模型,用于修复任务:设计更好的StableDiffusion非对称VQGAN,作者:Zixin Zhu, Xuelu Feng, Dongdong Chen, Jianmin Bao, Le Wang, Yinpeng Chen, Lu Yuan, Gang Hua。
论文摘要如下:
StableDiffusion是一款革命性的文本到图像生成器,正在图像生成和编辑领域引起轰动。与在像素空间中学习扩散模型的传统方法不同,StableDiffusion通过VQGAN在潜在空间中学习扩散模型,从而确保了效率和质量。它不仅支持图像生成任务,还支持真实图像的图像编辑,如图像修复和局部编辑。然而,我们观察到StableDiffusion中使用的普通VQGAN会导致显著的信息损失,即使在未编辑的图像区域也会导致失真伪影。为此,我们提出了一种具有两种简单设计的新的非对称VQGAN。首先,除了来自编码器的输入,解码器还包含一个条件分支,该分支结合了来自任务特定先验的信息,例如图像修复中的未遮罩图像区域。其次,解码器比编码器重得多,允许更详细的恢复,同时只稍微增加了总推理成本。我们非对称VQGAN的训练成本低廉,我们只需重新训练一个新的非对称解码器,同时保持普通VQGAN编码器和StableDiffusion不变。我们的非对称VQGAN可以广泛应用于基于StableDiffusion的图像修复和局部编辑方法。大量的实验表明,它可以显著提高图像修复和编辑性能,同时保持原始的文本到图像能力。代码可在https://github.com/buxiangzhiren/Asymmetric_VQGAN获取
评估结果可在原始论文的第4.1节中找到。
可用检查点
- https://huggingface.co/cross-attention/asymmetric-autoencoder-kl-x-1-5
- https://huggingface.co/cross-attention/asymmetric-autoencoder-kl-x-2
用法示例
from diffusers import AsymmetricAutoencoderKL, StableDiffusionInpaintPipeline
from diffusers.utils import load_image, make_image_grid
prompt = "a photo of a person with beard"
img_url = "https://huggingface.co/datasets/hf-internal-testing/diffusers-images/resolve/main/repaint/celeba_hq_256.png"
mask_url = "https://huggingface.co/datasets/hf-internal-testing/diffusers-images/resolve/main/repaint/mask_256.png"
original_image = load_image(img_url).resize((512, 512))
mask_image = load_image(mask_url).resize((512, 512))
pipe = StableDiffusionInpaintPipeline.from_pretrained("runwayml/stable-diffusion-inpainting")
pipe.vae = AsymmetricAutoencoderKL.from_pretrained("cross-attention/asymmetric-autoencoder-kl-x-1-5")
pipe.to("cuda")
image = pipe(prompt=prompt, image=original_image, mask_image=mask_image).images[0]
make_image_grid([original_image, mask_image, image], rows=1, cols=3)
AsymmetricAutoencoderKL
class diffusers.AsymmetricAutoencoderKL
< 来源 >( in_channels: int = 3 out_channels: int = 3 down_block_types: typing.Tuple[str, ...] = ('DownEncoderBlock2D',) down_block_out_channels: typing.Tuple[int, ...] = (64,) layers_per_down_block: int = 1 up_block_types: typing.Tuple[str, ...] = ('UpDecoderBlock2D',) up_block_out_channels: typing.Tuple[int, ...] = (64,) layers_per_up_block: int = 1 act_fn: str = 'silu' latent_channels: int = 4 norm_num_groups: int = 32 sample_size: int = 32 scaling_factor: float = 0.18215 )
参数
- in_channels (int, 可选, 默认为3) — 输入图像的通道数。
- out_channels (int, 可选, 默认为3) — 输出通道数。
- down_block_types (
Tuple[str]
, 可选, 默认为("DownEncoderBlock2D",)
) — 下采样块类型元组。 - down_block_out_channels (
Tuple[int]
, 可选, 默认为(64,)
) — 下采样块输出通道元组。 - layers_per_down_block (
int
, 可选, 默认为1
) — 下采样块的层数。 - up_block_types (
Tuple[str]
, 可选, 默认为("UpDecoderBlock2D",)
) — 上采样块类型元组。 - up_block_out_channels (
Tuple[int]
, 可选, 默认为(64,)
) — 上采样块输出通道元组。 - layers_per_up_block (
int
, 可选, 默认为1
) — 上采样块的层数。 - act_fn (
str
, 可选, 默认为"silu"
) — 要使用的激活函数。 - latent_channels (
int
, 可选, 默认为4) — 潜在空间中的通道数。 - sample_size (
int
, 可选, 默认为32
) — 样本输入大小。 - norm_num_groups (
int
, 可选, 默认为32
) — ResNet块中第一个归一化层使用的组数。 - scaling_factor (
float
, 可选, 默认为0.18215) — 使用训练集的第一批次计算出的训练潜在空间的组件标准差。这用于在训练扩散模型时将潜在空间缩放为单位方差。潜在空间在传递给扩散模型之前,通过公式z = z * scaling_factor
进行缩放。在解码时,潜在空间通过公式z = 1 / scaling_factor * z
缩放回原始比例。有关更多详细信息,请参阅高分辨率图像合成与潜在扩散模型论文的4.3.2节和D.1节。
为StableDiffusion设计更好的非对称VQGAN https://huggingface.co/papers/2306.04632。一个使用KL损失将图像编码为潜在空间,并将潜在表示解码为图像的VAE模型。
此模型继承自 ModelMixin。有关所有模型实现的通用方法(如下载或保存),请参阅超类文档。
前向传播
< 来源 >( sample: Tensor mask: typing.Optional[torch.Tensor] = None sample_posterior: bool = False return_dict: bool = True generator: typing.Optional[torch._C.Generator] = None )
AutoencoderKLOutput
class diffusers.models.modeling_outputs.AutoencoderKLOutput
< 来源 >( latent_dist: DiagonalGaussianDistribution )
AutoencoderKL 编码方法的输出。
DecoderOutput
class diffusers.models.autoencoders.vae.DecoderOutput
< 来源 >( sample: Tensor commit_loss: typing.Optional[torch.FloatTensor] = None )
解码方法的输出。