今天小編分享的科學經驗：Stable Diffusion團隊放大招！新繪畫模型直出AI海報，實現像素級影像生成，歡迎閲讀。
開源 AI 繪畫扛把子，Stable Diffusion 背後公司StabilityAI再放大招！
全新開源模型DeepFloyd IF，一下獲星 2 千 + 并登上 GitHub 熱門榜。
DeepFloyd IF 不光影像質量是照片級的，還解決了文生圖的兩大難題：
準确繪制文字。（霓虹燈招牌上寫着 xxx）
以及準确理解空間關系。（一只貓照鏡子看見獅子的倒影）
網友表示，這可是個大事，之前想讓 Midjourney v5 在霓虹燈招牌上寫個字 AI 都是瞎劃拉兩筆，對于鏡子理解的也不對。
使用 DeepFloyd IF，可以把指定文字巧妙放置在畫面中任何地方。
霓虹燈招牌、街頭塗鴉、服飾、手繪插畫，文字都會以合适的字體、風格、排版出現在合理的地方。
這意味着，AI 直出商品渲染圖、海報等實用工作流程又打通一環。
還在視頻特效上開辟了新方向。
目前 DeepFloyd IF 以非商用許可開源，不過團隊解釋這是暫時的，獲得足夠的用户反饋後将轉向更寬松的協定。
有需求的小夥伴可以抓緊反饋起來了。
像素級影像生成
DeepFloyd IF 仍然基于擴散模型，但與之前的 Stable Diffusion 相比有兩大不同。
負責理解文字的部分從 OpenAI 的 CLIP 換成了谷歌T5-XXL，結合超分辨率模塊中額外的注意力層，獲得更準确的文本理解。
負責生成影像的部分從潛擴散模型換成了像素級擴散模型。
也就是擴散過程不再作用于表示影像編碼的潛空間，而是直接作用于像素。
官方還提供了一組 DeepFloyd IF 與其他 AI 繪畫模型的直觀對比。
可以看出，使用 T5 做文本理解的谷歌 Parti和英偉達 eDiff-1也都可以準确繪制文字，AI 不會寫字這事就是 CLIP 的鍋。
不過英偉達 eDiff-1 不開源，谷歌的幾個模型更是連個 Demo 都不給，DeepFloyd IF 就成了更實際的選擇。
具體生成影像上 DeepFloyd IF 與之前模型一致，語言模型理解文本後先生成 64x64 分辨率的小圖，再經過不同層次的擴散模型和超分辨率模型放大。
在這種架構上，通過把指定影像縮小回 64x64 再使用新的提示詞重新執行擴散，也實現以圖生圖并調整風格、内容和細節。
并且不需要對模型做微調就可直接實現。
另外，DeepFloyd IF 的優勢還在于，IF-4.3B 基礎模型是目前擴散模型中U-Net 部分有效參數是最多的。
在實驗中，IF-4.3B 取得了最好的 FID 分數，并達到 SOTA（FID 越低代表影像質量越高、多樣性越好）。
誰是 DeepFloyd
DeepFloyd AI Research 是 StabilityAI 旗下的獨立研發團隊，深受搖滾樂隊平克弗洛伊德影響，自稱為一只 " 研發樂隊 "。
主要成員只有 4 人，從姓氏來看均為東歐背景。
這次除了開源代碼外，團隊在 HuggingFace 上還提供了 DeepFloyd IF 模型的在線試玩。
我們也試了試，很可惜的是目前對中文還不太支持。
原因可能是其訓練數據集 LAION-A 裏面中文内容不多，不過既然開源了，相信在中文數據集上訓練好的變體也不會太晚出現。
One More Thing
DeepFloyd IF 并不是 Stability AI 昨晚在開源上的唯一動作
語言模型方面，他們也推出了首個開源并引入 RLHF 技術的聊天機器人 StableVicuna，基于小羊駝 Vicuna-13B 模型實現。
完整的桌面和移動界面也即将發布。
Deepfloyd IF 在線試玩：
https://huggingface.co/spaces/DeepFloyd/IF
代碼：
https://github.com/deep-floyd/IF
StableVicuna 在線試玩：
https://huggingface.co/spaces/CarperAI/StableVicuna
參考鏈接：
[ 1 ] https://deepfloyd.ai/deepfloyd-if
[ 2 ] https://stability.ai/blog/deepfloyd-if-text-to-image-model
[ 3 ] https://stability.ai/blog/stablevicuna-open-source-rlhf-chatbot
[ 4 ] https://stable-diffusion-art.com/how-stable-diffusion-work/
