開源AI繪畫扛把子，Stable Diffusion背后公司StabilityAI再放大招！

(資料圖片僅供參考)

全新開源模型DeepFloyd IF，一下獲星2千+并登上GitHub熱門榜。

DeepFloyd IF不光圖像質量是照片級的，還解決了文生圖的兩大難題：

準確繪制文字。（霓虹燈招牌上寫著xxx）

以及準確理解空間關系。（一只貓照鏡子看見獅子的倒影）

網友表示，這可是個大事，之前想讓Midjourney v5在霓虹燈招牌上寫個字AI都是瞎劃拉兩筆，對于鏡子理解的也不對。

使用DeepFloyd IF，可以把指定文字巧妙放置在畫面中任何地方。

霓虹燈招牌、街頭涂鴉、服飾、手繪插畫，文字都會以合適的字體、風格、排版出現(xiàn)在合理的地方。

這意味著，AI直出商品渲染圖、海報等實用工作流程又打通一環(huán)。

還在視頻特效上開辟了新方向。

目前DeepFloyd IF以非商用許可開源，不過團隊解釋這是暫時的，獲得足夠的用戶反饋后將轉向更寬松的協(xié)議。

有需求的小伙伴可以抓緊反饋起來了。

DeepFloyd IF仍然基于擴散模型，但與之前的Stable Diffusion相比有兩大不同。

負責理解文字的部分從OpenAI的CLIP換成了谷歌T5-XXL，結合超分辨率模塊中額外的注意力層，獲得更準確的文本理解。

負責生成圖像的部分從潛擴散模型換成了像素級擴散模型。??

也就是擴散過程不再作用于表示圖像編碼的潛空間，而是直接作用于像素。

官方還提供了一組DeepFloyd IF與其他AI繪畫模型的直觀對比。

可以看出，使用T5做文本理解的谷歌Parti和英偉達eDiff-1也都可以準確繪制文字，AI不會寫字這事就是CLIP的鍋。

不過英偉達eDiff-1不開源，谷歌的幾個模型更是連個Demo都不給，DeepFloyd IF就成了更實際的選擇。

具體生成圖像上DeepFloyd IF與之前模型一致，語言模型理解文本后先生成64x64分辨率的小圖，再經過不同層次的擴散模型和超分辨率模型放大。

在這種架構上，通過把指定圖像縮小回64x64再使用新的提示詞重新執(zhí)行擴散，也實現(xiàn)以圖生圖并調整風格、內容和細節(jié)。

并且不需要對模型做微調就可直接實現(xiàn)。

另外，DeepFloyd IF的優(yōu)勢還在于，IF-4.3B基礎模型是目前擴散模型中U-Net部分有效參數(shù)是最多的。

在實驗中，IF-4.3B取得了最好的FID分數(shù)，并達到SOTA（FID越低代表圖像質量越高、多樣性越好）。

誰是DeepFloyd

DeepFloyd AI Research是StabilityAI旗下的獨立研發(fā)團隊，深受搖滾樂隊平克弗洛伊德影響，自稱為一只“研發(fā)樂隊”。???????????????

主要成員只有4人，從姓氏來看均為東歐背景。

這次除了開源代碼外，團隊在HuggingFace上還提供了DeepFloyd IF模型的在線試玩。

我們也試了試，很可惜的是目前對中文還不太支持。

原因可能是其訓練數(shù)據(jù)集LAION-A里面中文內容不多，不過既然開源了，相信在中文數(shù)據(jù)集上訓練好的變體也不會太晚出現(xiàn)。

One More Thing

DeepFloyd IF并不是Stability AI昨晚在開源上的唯一動作

語言模型方面，他們也推出了首個開源并引入RLHF技術的聊天機器人StableVicuna，基于小羊駝Vicuna-13B模型實現(xiàn)。

目前代碼和模型權重已開放下載。

完整的桌面和移動界面也即將發(fā)布。

作者：關注前沿科技，來源：量子位，原文標題：《Stable Diffusion團隊放大招！新繪畫模型直出AI海報，實現(xiàn)像素級圖像生成》。

風險提示及免責條款 市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用戶特殊的投資目標、財務狀況或需要。用戶應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據(jù)此投資，責任自負。

關鍵詞：