SD-Latent-Interposer: 跨模型潜空间转换的神经网络

RayRay
SD-Latent-InterposerStable DiffusionComfyUI潜在空间神经网络Github开源项目

SD-Latent-Interposer

SD-Latent-Interposer简介

SD-Latent-Interposer是一个创新的小型神经网络,旨在实现不同版本Stable Diffusion模型之间的潜空间兼容性。它允许用户直接将一个模型(如SDXL)生成的潜在表示传递给另一个模型(如SDv1.5),而无需通过变分自编码器(VAE)进行解码和重新编码。这大大简化了AI艺术创作的工作流程,提高了效率。

主要优势

  • 互操作性: 实现不同Stable Diffusion模型之间的潜在表示无缝转换。
  • 效率: 消除了VAE解码和重新编码的需求,节省时间和计算资源。
  • 质量: 通过最小化人工痕迹来维持图像的构图和质量。

工作原理

SD-Latent-Interposer的核心功能是充当不同Stable Diffusion模型潜空间之间的翻译器。想象一下有两个人说着不同的语言,通常需要一个翻译者将一种语言转换成另一种语言,然后再转回来。SD-Latent-Interposer就像一个直接的翻译器,让这两个人无需中间步骤就能相互理解。

基本原理

  1. 潜空间: 在AI艺术生成中,潜空间是图像的压缩表示。不同的模型有不同的潜空间。
  2. 插值网络: 该网络将一个模型的潜在表示翻译成另一个模型的表示,确保兼容性。
  3. 去噪: 调整去噪设置以隐藏任何人工痕迹,同时保留图像的构图。

通过将SD-Latent-Interposer放置在通常使用VAE解码后接VAE编码的位置,用户可以直接在模型之间传递潜在表示,使工作流程更加高效和直接。

Latent Interposer工作原理

功能特性

SD-Latent-Interposer具有多项旨在增强AI艺术创作体验的功能:

互操作性

  • 直接潜在表示转换: 无需中间步骤即可在不同Stable Diffusion模型之间移动潜在表示。
  • 去噪控制: 调整去噪设置以管理人工痕迹并保持图像质量。

自定义选项

  • 本地模型: 如果用户更喜欢离线工作或网络连接不稳定,可以将模型存储在本地。该扩展程序会优先使用本地文件而不是Hugging Face hub上的文件。
  • 模型权重: 用户可以访问和使用不同的模型权重,观察它们如何影响结果。

支持的模型

  • Stable Diffusion v1.x
  • SDXL
  • Stable Diffusion 3
  • Flux.1
  • Stable Cascade (Stage A/B)

模型兼容性

SD-Latent-Interposer支持多种模型之间的转换:

源模型到 v1到 xl到 v3到 fx到 ca
v1-v4.0v4.0
xlv4.0-v4.0
v3v4.0v4.0-
fxv4.0v4.0v4.0-
cav4.0v4.0v4.0-

安装和使用

要安装SD-Latent-Interposer,只需将其仓库克隆到custom_nodes文件夹中:

git clone https://github.com/city96/SD-Latent-Interposer custom_nodes/SD-Latent-Interposer

或者,用户也可以将comfy_latent_interposer.py文件下载到ComfyUI/custom_nodes文件夹中。可能需要在虚拟环境中使用pip install huggingface-hub命令安装hfhub。

使用时,只需将其放置在通常使用VAE解码后接VAE编码的位置。根据需要调整去噪设置,以隐藏任何人工痕迹,同时保持图像的构图。

使用示例

本地模型使用

默认情况下,该节点从Hugging Face hub拉取所需文件。如果用户网络连接不稳定或更喜欢完全离线使用,可以创建一个models文件夹并将模型放置在那里。自定义节点在可用时会优先使用本地文件而不是HF文件。路径应为:ComfyUI/custom_nodes/SD-Latent-Interposer/models

或者,也可以直接克隆整个HF仓库:

git clone https://github.com/huggingface.co/city96/SD-Latent-Interposer custom_nodes/SD-Latent-Interposer/models

训练细节

SD-Latent-Interposer的训练过程是一个复杂而精细的过程。训练代码从提供的配置文件初始化大多数训练参数。数据集应该是每个潜在版本的单个.bin文件,使用torch.save保存。格式应为[batch, channels, height, width],其中"batch"尽可能大,例如88000。

Interposer v4.0

v4.0版本的训练代码初始化了两个模型副本,一个在目标方向,一个在相反方向。损失函数基于此定义:

  • p_loss是主模型的主要标准。
  • b_loss是次要模型的主要标准。
  • r_loss是主模型输出通过次要模型后与源潜在表示的对比(基本上是通过两个模型的往返)。
  • h_lossr_loss相同,但适用于次要模型。

所有模型都训练了50000步,批量大小为128(xl/v1)或48(cascade)。训练在RTX 3080和Tesla V100S上本地进行。

训练损失曲线

故障排除

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多