Stable Diffusion

Stable Diffusion – generator obrazu z tekstu oparty na uczeniu głębokim. Narzędzie jest udostępnione w formie kodu źródłowego i pozwala na nie tylko generowanie obrazów z tekstu ale też naprawianie uszkodzonych obrazów^[1] i rozszerzanie obrazu poza jego oryginalne granice (ang. outpainting)^[2].

Stable Diffusion

Obraz wygenerowany przez Stable Diffusion 3.5
Autor	Stability AI
Pierwsze wydanie	22 sierpnia 2022
Język programowania	Python
Licencja	Stability AI Community License
Strona internetowa

Kod i wagi modelu są dostępne publicznie i może działać na komputerach z co najmniej 8 GB pamięci GPU^[3]. Podczas swojego opublikowania w 2022 stanowił alternatywę dla podobnych dużych modeli generowania obrazu jak DALL-E czy Midjourney, które działają na zasadzie usługi SaaS^[4][5].

Stable Diffusion jest oparty na LDM(inne języki), jednym z modeli dyfuzyjnych^[6] opracowanych na Uniwersytecie Monachijskim^[7].

Technologia

Proces odszumiania używany przez Stable Diffusion. Model generuje obrazy przez odszumianie.

Stable Diffusion trenowano na parach obrazów i podpisów pobranych z LAION-5B, publicznie dostępnego zestawu danych z 5 miliardami par obraz-tekst^[8].

Model trenowano przy użyciu 256 procesorów graficznych Nvidia A100 w Amazon Web Services, co łącznie zajęło 150 000 godzin pracy procesora graficznego, a koszt wyniósł 600 000 USD^[9].