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。
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。
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。
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。
没有插值器,两个潜空间是不兼容的:
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
模型名称:
代码 | 名称 |
---|---|
v1 | Stable Diffusion v1.x |
xl | SDXL |
v3 | Stable Diffusion 3 |
fx | Flux.1 |
ca | Stable Cascade (Stage A/B) |
可用模型:
从 | 到 v1 | 到 xl | 到 v3 | 到 fx | 到 ca |
---|---|---|---|---|---|
v1 | - | v4.0 | v4.0 | 否 | 否 |
xl | v4.0 | - | v4.0 | 否 | 否 |
v3 | v4.0 | v4.0 | - | 否 | 否 |
fx | v4.0 | v4.0 | v4.0 | - | 否 |
ca | v4.0 | v4.0 | v4.0 | 否 | - |
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。
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_loss
与r_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。
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。
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。
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。
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。
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。
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。
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。
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。
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 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。
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。
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。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号