Stable Diffusion 3 文本生成图像在线体验原理分析_stablediffusion3官网

作者：煮酒与君饮 | 2024-06-30 06:42:46

踩

stablediffusion3官网

本文分享使用Stable Diffusion 3实现文本生成图像，可以通过在线网页中免费使用的，也有API等方式访问。

同时结合论文和开源代码进行分析，理解其原理。

Stable Diffusion 3是Stability AI开发的最新、最先进的文本生成图像模型，在图像保真度、多主体处理和文本匹配方面取得了显著进步。

利用新的多模态扩散变换器（MMDiT）架构，它具有单独的图像和语言表示的Stable Diffusion 3权重。

如下图所示，生成的图片还挺清晰的，不错不错：

点击图片，能看到“提示器”，图像比例，还能下载原图：

当然用中文作为提示词，也是可以的，效果也很不错

不同的画风和场景：

感觉生成图像很接近真实：

“提示词”描述得更详细，会生成更多细节：

思路流程：

输入提示词，可以中文或英文
选择模型，包括：Realistic 写实、Tamarin 插画风格、Super Anime 超级动漫、visiCanvas 可视画布、Realistic 写实、Anime 动漫、3D Animation 3D动画
选择生成图像的数量，默认是1张，可以选择2张或4张
选择图像的比例，包括1:1、3:4、4:3

比如，如下图所示，选择了Super Anime模型，同时生成两张图像，图像比例是1:1

Stable Diffusion3利用扩散变压器（DiT）架构，结合噪声预测和采样技术，生成高质量图像。

模型的关键结构，如下图所示：

主要包括（a）多模态数据的扩散模型框架的组件、（b）MM-DiT块的细节，

（a）多模态数据的扩散模型框架的组件

1、Caption 输入：
- “Caption”是输入的文本描述，用来指导生成的图像内容。
2、特征提取模型：
- CLIP-G/14 和 CLIP-L/14：这是两种处理文本和图像的模型，它们将文本和图像转化为向量表示。
- T5 XXL：一个处理文本的模型，把输入的文字转换成向量。
3、合并特征：
- 从这些模型中提取的特征被合并在一起，形成一个大的向量，包含了输入信息的多个方面。
4、噪声潜在变量（Noised Latent）：
- 这是模型生成图像的起点，是一个初始的噪声图像。
5、位置编码（Positional Embedding）：
- 给输入数据添加位置信息，以便模型知道每个数据的位置。
6、MM-DiT 块：
- 这些是模型的核心部分，通过多层处理将噪声图像一步步转换成目标图像。
7、输出处理：
- 最后，将处理后的特征向量转换回图像，输出最终的生成图像。

（b）MM-DiT块（Multimodal Diffusion Transformer）

1、输入：
- 输入为 y 和 x 两个特征向量。
2、SiLU 激活函数和线性层：
- 使用 SiLU（Sigmoid Linear Unit）激活函数和线性层对输入特征进行变换。
3、Layernorm 和调制（Modulation）：
- 使用 Layernorm 进行层归一化。
- 调制（Modulation）部分通过 α 和 β 参数进行特征调整。
4、Attention 机制：
- 采用 Q（Query）、K（Key）、V（Value）三个矩阵进行注意力计算。
5、MLP（多层感知器）：
- 通过多层感知器对特征进行非线性变换。
6、残差连接（Residual Connections）：
- 使用残差连接来保持信息的流动，避免梯度消失问题。

这个框架通过融合文本和图像特征，使用扩散模型逐步生成高质量的图像。

关键在于多模态 Transformer 块（MM-DiT block），通过注意力机制和非线性变换对特征进行处理，从而在生成过程中保持了数据的复杂性和一致性。

分享完成~

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/煮酒与君饮/article/detail/771711

Stable Diffusion 3 文本生成图像 在线体验 原理分析_stablediffusion3官网