Stable Diffusion
Stable Diffusion 是 CompVis 团队开源的潜空间文本到图像扩散模型，基于 CLIP 文本编码器与 860M UNet，可在 10GB 显存以上的 GPU 上根据文字提示生成 512x512 图像，是 AIGC 图像生成领域的奠基性项目。
爱鲜报评分
0 人评分
74k
星数
否
中文
Jupyter Notebook
主语言
是
活跃
8
贡献者
人工分析
EDITORIAL推荐理由
作为文本生成图像的开山之作，Stable Diffusion 的论文、权重与参考采样脚本全部公开，是理解扩散模型与 AIGC 原理的最佳入口。虽然当前主流使用已转向 diffusers、ComfyUI 等生态，但原始仓库仍是复现研究与二次开发的重要基准。
适用场景
- AIGC 文本生成图像研究与复现
- 扩散模型原理学习与教学演示
- 本地部署文生图推理脚本
- 作为二次开发与模型微调的基线
- 对比不同采样器与 guidance scale 效果
优点
- 官方原始实现，论文与代码对应清晰
- 模型权重公开，社区生态极其庞大
- 显存门槛相对友好，10GB 即可运行
- 提供参考采样脚本、安全过滤与水印机制
- 衍生工具与教程丰富，问题容易检索
缺点
- 仓库已基本停止更新，官方推荐转向 diffusers
- 依赖版本较旧，环境配置容易踩坑
- 权重需自行下载并手动建立软链接
- 生成结果存在数据偏见，商用需谨慎评估
- 仅支持英文提示词效果最佳
Stable Diffusion 简介
Stable Diffusion 是由 CompVis 团队联合 Stability AI、Runway 推出的潜空间文本到图像扩散模型，论文《High-Resolution Image Synthesis with Latent Diffusion Models》发表于 CVPR 2022。它使用冻结的 CLIP ViT-L/14 文本编码器理解提示词，在潜空间中进行扩散去噪，最终解码为 512x512 图像。
模型结构
- 下采样因子为 8 的自编码器
- 860M 参数的 UNet 主干
- 123M 参数的 CLIP ViT-L/14 文本编码器
整体较为轻量，在至少 10GB 显存的 GPU 上即可推理。
版本与权重
仓库提供 v1.1 至 v1.4 多个 checkpoint，训练数据来自 LAION-5B 子集，v1.3 与 v1.4 通过 10% 文本条件丢弃提升了 classifier-free guidance 采样效果。权重托管于 Hugging Face 的 CompVis 组织下，采用 CreativeML OpenRAIL M 许可，允许商用但附带使用限制。
快速上手思路
- 使用仓库提供的
environment.yaml创建并激活 conda 环境； - 下载对应权重并链接到
models/ldm/stable-diffusion-v1/model.ckpt； - 运行参考采样脚本生成图像：
python scripts/txt2img.py --prompt "a photograph of an astronaut riding a horse" --plms
脚本默认使用 PLMS 采样器、guidance scale 7.5、50 步、512x512 分辨率，并内置安全过滤模块与不可见水印，便于识别机器生成图像。
注意事项
- 官方已建议新项目优先使用 diffusers 集成，本仓库更多作为参考实现；
- 模型会继承训练数据中的偏见，商用前应评估风险并增加安全机制；
- 依赖版本较旧，环境安装时需留意兼容性问题。
评论
- 暂无评论，来写第一条吧。