SD-Latent-Interposer

SD-Latent-Interposer

实现Stable Diffusion模型间潜空间互操作的神经网络

SD-Latent-Interposer是一个实现Stable Diffusion模型间潜空间互操作的神经网络。它支持SDXL、SDv1.5、SD3、Flux.1和Stable Cascade等版本之间的直接潜空间转换,无需通过VAE解码和重新编码。这种方法提高了不同SD模型版本间的兼容性,为潜空间操作提供了更高效、灵活的解决方案。

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

SD潜空间插值器

一个小型神经网络,用于提供不同Stable Diffusion模型生成的潜空间之间的互操作性。

我想看看是否可以将新的SDXL模型生成的潜空间直接传递到SDv1.5模型中,而无需先使用VAE解码和重新编码。

安装

要安装它,只需使用以下命令将此仓库克隆到您的custom_nodes文件夹中:

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

或者,您也可以将comfy_latent_interposer.py文件下载到您的ComfyUI/custom_nodes文件夹中。您可能需要在venv中使用pip install huggingface-hub命令安装hfhub。

如果您需要用于其他用途的模型权重,它们以与仓库其余部分相同的Apache2许可证托管在HF上。当前文件位于**"v4.0"**子文件夹中。

使用方法

只需将其放置在通常放置VAE解码后跟VAE编码的位置。适当设置去噪以隐藏任何伪影,同时保持构图。请参见下图。

LATENT_INTERPOSER_V3 1_TEST

没有插值器,两个潜空间是不兼容的:

LATENT_INTERPOSER_V3 1

本地模型

默认情况下,节点从huggingface hub拉取所需文件。如果您的连接不稳定或更喜欢完全离线使用,可以创建一个models文件夹并将模型放在那里。当有本地文件时,自定义节点会优先使用本地文件而不是HF。路径应为:ComfyUI/custom_nodes/SD-Latent-Interposer/models

或者,只需将整个HF仓库克隆到该位置:

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

支持的模型

模型名称:

代码名称
v1Stable Diffusion v1.x
xlSDXL
v3Stable Diffusion 3
fxFlux.1
caStable Cascade (Stage A/B)

可用模型:

v1xlv3fxca
v1-v4.0v4.0
xlv4.0-v4.0
v3v4.0v4.0-
fxv4.0v4.0v4.0-
cav4.0v4.0v4.0-

训练

训练代码从提供的配置文件初始化大多数训练参数。数据集应该是使用torch.save为每个潜空间版本保存的单个.bin文件。格式应为[批次,通道,高度,宽度],其中"批次"应尽可能大,例如88000。

插值器v4.0

当前的训练代码初始化模型的两个副本,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是主要模型的主要标准。
  • b_loss是次要模型的主要标准。
  • r_loss是主要模型的输出通过次要模型后与源潜空间进行比较(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上本地完成。

LATENT_INTERPOSER_V4_LOSS

旧版本

<details><summary>插值器v3.1</summary>

插值器v3.1

这基本上是一次完全重写。用更像是一个适当的神经网络的东西替换了平庸的一堆conv2d层。没有VGG损失,因为我仍然没有更好的GPU。

训练是在合并的Flickr2K + DIV2K上进行的,每张图像被处理成6个1024x1024的片段。用我的一些随机图像填充,数据集中总共有22,000张源图像。

我认为我已经去除了大部分XL伪影,但颜色/色调/饱和度偏移问题仍然存在。这次我实际上保存了优化器状态,所以我可能能够在我的P40上进行100K步的视觉损失训练。希望它们不会烧坏。

v3.0是以1e-4的恒定学习率进行了500k步,v3.1是使用CosineAnnealingLR在结束时降低学习率,进行了1M步。两者都使用了AdamW。

INTERPOSER_V3 1

</details> <details><summary>插值器v1.1</summary>

插值器v1.1

这是使用"spaceship"架构的第二个版本。它在Flickr2K数据集上训练,并从v1.0检查点继续训练。 总的来说,它似乎表现得更好,特别是对于真实生活照片。我还调查了奇怪的v1->xl伪影,但最终似乎这是VAE解码器阶段固有的问题。

loss

</details> <details><summary>插值器v1.0</summary>

插值器v1.0

不确定为什么训练损失如此不同,可能是由于我用来训练它的1000张来自我的下载文件夹的随机图像组成的"""高度策划的"""数据集。

我可能应该直接使用LAION。

我还训练了一个v1到v2的模式,然后才意识到v1和v2共享相同的潜空间。哎呀。

loss

xl-to-v1_interposer

</details> </details>

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