WaifuDiffusion v1.4 概要ふんわり翻訳

-

最初に 

原文はこちらからどうぞ。

Waifu Diffusion v1.4 overview


この翻訳は機械翻訳（DeepL翻訳）と英語力0の人間の意訳で作られており正確でありません。英語が読める人は絶対に原文を読んで下さい。

ちょっと分かりづらいかな？というところにはなんとなく追記してあります。


Waifu Diffusion v1.4 概要


この画像は解像度512x512で生成された画像をWaifu Diffusion 1.3 Epoch 7で1024x1024にアップスケールし、高解像度での反復精錬を実証したもの。


ゴール

トレーニング時に条件付きマスキングを使用し、異なるアスペクト比での画像生成を改善する。これにより中央で切り取られた画像ではなく画像全体をトレーニングに使用することとなり、全身画像やポートレートの生成、構図の改善において、より良い結果を得ることができるようになります。

つまり？

正方形以外の画像も含め、より良い画像生成ができるように。


入力コンテキストを77トークンから231トークン、あるいは無制限に拡張。現在77個の入力用トークンのうち、使用可能なのは75個だけです。これでは多くのディテールを必要とする複雑なプロンプトに対して、ほとんど十分な余地がありません。


顔生成と手のパフォーマンスを向上させるために、より高い画像解像度でトレーニングする。512x512の解像度ではVAEによって多くの詳細が保持されないため、学習中にモデルの学習効率が悪くなっており、より細かい詳細の生成でモデルの能力を向上させるためにより多くのサンプルが必要になります。そこで、学習時に使用する画像解像度は、最大768x768としました。

つまり？

学習に使う画像の解像度を最大768x768にして顔や手などの精度を上げます。


booruスタイルタグの代わりに自然言語キャプションを持つ画像を生成する際に、推論中のモデルを導くのに役立つより良い構図認識。現在、合成は学習データで使用されたbooru-styleタグから暗黙的に行われるだけで、hakurei reimu is eating a cheeseburger のような自然言語のプロンプトを使用した場合、モデルのガイド性が低くなっています。

つまり？

単語だけでなく文章のプロンプトを使えるようにします。


無条件生成で分類器不要のガイダンスを実現。Waifu Diffusion 1.3の学習過程では無条件生成は行っていません。これにより生成中にモデル自身の知識を使うことができるようになり、より少ないプロンプトで能力を発揮できるようになります。

つまり？

すみませんよく分かりません…


参考文献紹介 ※ 英語です

High-Resolution Image Synthesis with Latent Diffusion Models

GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models


データ収集

トレーニングに使用するデータは、2つのスタイルで構成されます。

  • 構図キャプション 画像の構図を保持するために、Booruキャプションが画像の構図を暗示するのではなく、構図を設定するようにモデルを明示的に誘導するために、構図キャプションを使用する。
  • Booruキャプション 服装や表情など、より細かいディテールをガイドできるように、Booruキャプションを搭載する予定です。

つまり？

v1.4ではDanbooruのタグとは別に画像の構図を指示するための説明を追加し、それを使って構図を指定することができるようになります。


第一段階の学習データ量は500万枚で、第二段階の学習では、美的スコアが低すぎる画像を排除するために、美的CLIPスコアリングを使用します。この方法により、より信頼性の高い美的感覚を持つ画像を生成するようモデルを誘導します。Booruデータセットはbooru-textimと呼ばれ、自然言語からアニメスタイルの画像を生成する画像生成モデルの学習に使用される予定です。このデータセットは、投稿ID、ファイルURL、構図キャプション、booruキャプション、美的CLIPスコアから構成されています。CLIPスコアが6.0以上の画像は100万枚程度を想定しています。

つまり？

まずBooruデータセットに含まれる500万枚の画像を学習に使用した後、CLIPスコアと呼ばれる画像の美しさを表す数値が6.0以上の画像を追加学習します。


トレーニング

ハードウェア

Stable Diffusion v1モデルの微調整には、8つのA100 80GB GPUと192GBのRAMを搭載したノードを使用する予定です。これにより、学習時に使用するバッチサイズが十分に大きくなり、スループットの向上と学習時間の大幅な短縮を実現します。


フェーズ1

学習はWaifu Diffusion v1.3 5epochから開始し、全体の学習解像度を768x768にして15epoch、もしくは品質の向上が見られなくなるまで継続します。学習フェーズ1では、構図キャプションとBooruキャプションの両方からアニメ調の画像を生成するためのベースラインとしてモデルを使用することができるようになります。


フェーズ2

フェーズ1終了後、booru-textimデータセットのうち、CLIPスコアが6.0以上のアイテムに対してさらに学習を開始し、全データセットで学習したベースラインモデルと比較して、より高品質な画像を生成する能力を向上させる。この学習は5epoch、もしくは視覚的な品質の向上が見られなくなるまで継続されます。


リリース

Waifu Diffusion 1.4とboor-textimは、学習が完了したらBigScience RAIL License v1.0に基づいてHuggingFaceで一般に公開される予定です。両トレーニングフェーズのモデルは、waifu-diffusion-1-4-base.ckpt と waifu-diffusion-1-4-aesthetic.ckpt という別々のモデルとしてリリースされる予定です。

つまり？

フェーズ1とフェーズ2で別々のモデルとしてHuggingFaceで公開されます。


免責事項

このプロジェクトは、Danbooruや他のboorus、イメージボードとは全く関係ありません。

このブログの人気の投稿

Danbooruは本当に違法転載サイトか？

-
イメージ
はじめに   最初に結論を書いておくと「 実際に裁判にならないとわからない 」です。私は弁護士でもなんでもない一般人ですし、これはちょっとした疑問から自分なりに調べてみたことを載せたただのコラムです。 更に言うと調べたのは日本国内における「引用」関連のことだけなので、海外でどういう扱いとなっているかは分かりません。流石に法律について機械翻訳で調べるのは限界があるので。 引用か、転載か まず他人の著作物を転載する場合についての詳細は以下の記事を参照してください。 トップコート国際法律事務所：著作権の引用とは？画像や文章を転載する際の５つの条件・ルール こちらの正確性については弁護士サービス事務所ということで問題ないと思われます。 そして、転載が違法とならないのは以下の場合です。 そもそも著作物ではない 著作者の許可を得ている 引用 転載が許される場合（著作権法32条2項、39条、40条） トップコート国際法律事務所：著作権の引用とは？画像や文章を転載する際の５つの条件・ルール  より引用 この中でDanbooruが関わるのは3.引用のみ…と言いたいところですが実は1.そもそも著作物ではないという可能性があります。しかしこれは本題ではないので後に回します。 では引用とは何なのかというと、次の全てを満たした時に引用となります。 主従関係が明確であること（明確性） 引用部分が他とはっきりと区別されていること（明瞭区別性） 引用をする必要性があること（必要性） 出典元が明記されていること（出典） 改変しないこと トップコート国際法律事務所：著作権の引用とは？画像や文章を転載する際の５つの条件・ルール  より引用 では一つ一つ見ていきましょう。まずDanbooruにアップロードされた作品のページを見てみます。これは無作為に選んだもので、特に意図などはありません。 Danbooru:uma (original) 2022/10/05時点のDanbooruの作品ページスクリーンショット ちょっと脱線しますが、スクリーンショットも引用になるんでしょうか？描画しているのはブラウザで、元はHTMLであることを考えると著作権が発生するのは画像部分のみな気もしますが…これも一旦置いておきます。 ではまず1の主従関係の明確性ですが、ここは正直かなり解釈によると思います。なので個人的な解釈を書き
続きを読む

WaifuDiffusion 検証 イラストその他スタイル編

-
イメージ
  前提条件 使用する設定は以下の通り。Negative promptを使うので再現したい方はStableDiffusion WebUI/AUTOMATIC1111推奨です。 Negative prompt: part of the head mutated hands and fingers deformed blurry bad anatomy disfigured poorly drawn face mutation mutated extra limb ugly poorly drawn hands missing limb blurry floating limbs disconnected limbs malformed hands blur out of focus long neck long body photo photograph photography pablo picasso Step: 30, CFGScale: 10.0, Sampler: Euler a, Width: 512, Height: 512 イラスト編 WaifuDiffusionを使っていても、出力される画像をイラスト化したいときは特定の単語を使わないと厳しいです。danbooruのタグを羅列すればある程度形にはなりますが、クオリティが不安定になります。ここで使う呪文は以下の通り。 prompt: extremely ultra perfect detailed 1girl upper body blush princess dress wind outdoors それぞれ呪文中の「detailed」の後に単語を追加して違いを見ていきます。 元は実写風で、一発で変換できているのはbishoujoとanimeでその他は変換しきれていませんね。次は変換の精度を更に高めるために単語を付け足していってみましょう。 徐々にクオリティアップしてますね。ただ、bishoujoとanimeを付与した時点で概ね完成しているので、それ以外は他の単語に差し替えてみてもいいかもしれません。 このkawaii系のイラストにするための単語はTwitterの草さん（@MutedGrass）の呪文を参考にしました。日々新しい呪文と共にイラストをツイートされているので、みなさんも参考にしてみてください
続きを読む

WaifuDiffusion 検証 Step CFGScale Sampler編

-
イメージ
前提条件 使用する呪文は以下の通り。Negative promptを使うので再現したい方はStableDiffusion WebUI/AUTOMATIC1111推奨です。 prompt: excellent professional bishoujo anime kawaii cute moe 1girl full body blush smile long (blonde) hair bangs light blue eyes (dress) wind outdoors Negative prompt: part of the head mutated hands and fingers deformed blurry bad anatomy disfigured poorly drawn face mutation mutated extra limb ugly poorly drawn hands missing limb blurry floating limbs disconnected limbs malformed hands blur out of focus long neck long body photo photograph photography pablo picasso chibi loli 次に設定は以下の通り、検証内容ごとに各値が変動しますのでご留意ください。 Step: 30, CFGScale: 10.0, Sampler: Euler a, Width: 512, Height: 512 Step編 では早速Stepから。特定SeedでStepのみ変動させて結果を見てみます。 普段Step50でやってたのでこの結果には結構驚きました。Step50で悪いということはないのですが、Step30で十分なクオリティが出せています。上記の結果を踏まえて今度はStep10～30にフォーカスを当ててみます。 イメージ的にはStep15でも完成する絵はあるけど、Stepo30にしておけば大半の絵が完成するって感じでしょうか。Step15で一気に処理を走らせて良さそうなSeedを見つけたらStepを上げてみるという人もいるそうです。確かにこれならStep15で判断できそうですね。 CFGScale編 お次はCFGScaleです。Stepは冒頭で
続きを読む