IF-II-L-v1.0

IF-II-L-v1.0

最新级联扩散模型提升图像生成能力

DeepFloyd-IF使用先进的文本到图像级联扩散模型生成高质量图像,具备出色的语言处理能力。采用冻结文本编码器与多级像素级扩散模块,将图像分辨率提升至1024x1024。通过COCO数据集测试,支持开箱即用,并可在Hugging Face平台通过diffusers库轻松运行。

级联扩散模型非商业使用Github开源项目文本到图像模型Huggingface许可协议DeepFloyd-IF

IF-II-L-v1.0项目介绍

IF-II-L-v1.0是由DeepFloyd团队和StabilityAI共同开发的一款先进的文字生成图像模型。该项目实现了一种新的像素级文字到图像的三级扩散模型,并在真实感和语言理解方面达到了新的技术水平。其出色的效率使其超越了当前大多数先进模型,在COCO数据集上的零样本FID-30K得分达到了6.66

模型详情

  • 开发者: DeepFloyd, StabilityAI
  • 模型类型: 像素级文字到图像三级扩散模型
  • 级联阶段: 第二阶段(II)
  • 参数数量: 12亿个
  • 支持语言: 主要支持英语,同时也支持其他一些拉丁语系语言
  • 许可协议: DeepFloyd IF 许可协议
  • 模型描述: DeepFloyd-IF使用冻结的文本模式和三个像素级的级联扩散模块,通过逐步提高图像的分辨率(64x64, 256x256, 1024x1024)来生成图像。所有阶段都使用基于T5变压器的冻结文本编码器提取文本嵌入,然后输入到增强的UNet架构中,用于交叉注意力和注意力池化。

模型使用

IF模型已集成到🤗 Hugging Face的🧨 diffusers库中,这使得它能够在仅需14 GB VRAM的GPU上运行。

使用该模型前,用户需要接受使用条件:

  1. 用户需拥有并登录 Hugging Face 账户
  2. 接受DeepFloyd/IF-I-XL-v1.0模型卡上的许可。
  3. 本地安装huggingface_hub并登录。

模型的运行包括几个步骤,通过依次调用三个阶段的模型完成图像生成。

训练信息

  • 训练数据: 使用1.2亿个图文对(基于LAION-A及一些内部数据集),其中测试和验证部分未在任何级联阶段用于训练;验证部分仅用于展示"在线"损失行为。
  • 训练程序: IF-II-L-v1.0使用T5编码嵌入对图像从64px向256px的放大。训练过程包括对图像进行中心裁剪和尺寸调整,用噪声的方法进行增量增强,文本提示通过T5文本编码器编码等。

训练过程采用32个8x A100 GPU,模型在2,500,000步训至256x256分辨率。其设置包括OneCycleLR策略,几位的GELU反向激活,AdamW8bit优化器和DeepSpeed-Zero1,并完全冻结T5编码器。

结语

IF-II-L-v1.0这是一个在文字生成图像领域中的创新性项目,通过深度语言理解和分层的扩散过程为用户带来了高效且真实的图片生成体验。该模型实现了在真实感和语言理解方面的突破,是这一领域的先驱和引领者。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多