Stable Diffusion

Stable Diffusion
Imaxe xerada por Stable Diffusion mediante modelo text-to image.
Repositorio	github.com/CompVis/stable-diffusion
Sitio web	stability.ai/stable-image

Stable Diffusion é un modelo de aprendizaxe automática de texto a imaxe publicado no 2022. Desenvolvido por StabilityAI, en colaboración con EleutherAI e LAION , para xerar imaxes dixitais a partir de descricións en linguaxe natural introducidas polo usuario. O modelo tamén se pode usar para outras tarefas, como xerar traducións de imaxe a imaxe guiadas por unha solicitude de texto.

Pode funcionar na maioría do hardware de consumo equipado cunha GPU modesta e PC World aclamaba como "a próxima killer app (aplicación asasina) para o teu PC".

Licenza

A diferenza de modelos da competencia como DALL-E, Stable Diffusion fai que o seu código fonte estea dispoñible. A súa licenza prohibe certos casos de uso prexudicial. Os críticos expresaron preocupacións sobre a ética da IA, afirmando que o modelo pode usarse para crear deepfakes e tamén cuestionaron a legalidade de xerar imaxes cun modelo adestrado nun conxunto de datos que contén contido protexido por dereitos de autor sen o consentimento dos artistas orixinais.

Adestramento

Stable Diffusion adestrouse nun subconxunto do conxunto de datos LAION-Aesthetics V2. Adestrouse usando 256 GPU Nvidia A100 cun custo de 600.000 dólares.

Nos primeiros meses as imaxes dun astronauta montando un cabalo foron moi icónicas, xa que o software non entendía os prompts (enunciados) de "un cabalo montado a un astronauta", e sempre o interpretaba como a imaxe máis obvia (o astronauta montando ao cabalo).

Véxase tamén

• Craiyon (DALL-E mini)
• DALL-E
• Imagen (Google Brain)
• Intelixencia artificial
• Midjourney
• Text-to-image
• Imaxes xeradas por ordenador

Ligazóns externas

• Stable Diffusion en Reddit
• Demostración de Stable Diffusion