可生成高清视频的Stable Diffusion来了！支持在线试玩

明敏 发自 凹非寺
量子位 | 公众号 QbitAI

免费玩的Stable diffusion，又出新变种了！

古典人像丝滑切换，还都是4倍超分辨率水平，细节也就多了亿点点吧，眉毛发丝都根根分明。

还能从一盘草莓意大利面，丝滑变成一份蓝莓面。

这就是最近在推特上火了Stable Diffusion视频版2.0.

它能够通过Real-ESRGAN进行上采样，让生成画面达到4倍超分。

要知道，之前Stable Diffusion生成的图像如果想要高清，还得自己手动提升分辨率。

现在直接二合一，在谷歌Colab上就能跑！

食用指南

Colab上的操作非常简单，基本上就是傻瓜式按照步骤运行即可。

需要注意的是，过程中要从个人Hugging Face账户中复制token登入。

拉取模型前，记得在Hugging Face上授权，否则会出现403错误。

搞定以上问题后，就能来用Stable Diffusion来生成高清视频了。

生成一段视频需要给出2个提示词，然后设置中间的步数，以及是否需要上采样。

中间步骤越多，生成所需的时间越长；同样上采样也会一定程度上加长生成时间。

还能直接用代码来跑，修改几个简单的参数就能搞定。

除了线上模式外，该模型还支持本地运行，项目已在GitHub上开源。

注意需要额外安装Real-ESRGAN。

超分算法来自腾讯

简单来说，这次Stable Diffusion的变种版本就是把生成的图片，通过超分辨率方法变得高清。

Stable Diffusion的原理，是扩散模型利用去噪自编码器的连续应用，逐步生成图像。

一般所言的扩散，是反复在图像中添加小的、随机的噪声。而扩散模型则与这个过程相反——将噪声生成高清图像。训练的神经网络通常为U-net。

不过因为模型是直接在像素空间运行，导致扩散模型的训练、计算成本十分昂贵。

基于这样的背景下，Stable Diffusion主要分两步进行。

首先，使用编码器将图像x压缩为较低维的潜在空间表示z（x）。

其中上下文（Context）y，即输入的文本提示，用来指导x的去噪。

它与时间步长t一起，以简单连接和交叉两种方式，注入到潜在空间表示中去。

随后在z（x）基础上进行扩散与去噪。换言之， 就是模型并不直接在图像上进行计算，从而减少了训练时间、效果更好。

再来看超分辨率部分。

用到的方法是腾讯ARC实验室此前开发的Real-ESRGAN，被ICCV 2021接收。

它可以更有效地消除低分辩率图像中的振铃和overshoot伪影；

面对真实风景图片，能更逼真地恢复细节，比如树枝、岩石、砖块等。

原理方面，研究人员引出了高阶退化过程来模拟出更真实全面的退化，它包含多个重复的经典退化过程，每个又具有不同的退化超参：

下图为Real-ESRGAN进行退化模拟的示意图：

采用的是二阶退化，具体可分为在模糊（blur）、降噪（noise）、resize、JPGE压缩几个方面。

到训练环节，Real-ESRGAN的生成器用的是RRDBNet，还扩展了原始的×4 ESRGAN架构，以执行resize比例因子为×2和×1的超分辨率放大。

想要单独使用这种超分算法也不是问题。

在GitHub上下载该模型的可执行文件，Windows/Linux/MacOS都可以，且不需要CUDA或PyTorch的支持。

下好以后只需在终端执行以下命令即可使用：

./realesrgan-ncnn-vulkan.exe -i input.jpg -o output.png

值得一提的是，Real-ESRGAN的一作Wang Xintao是图像/视频超分辨率领域的知名学者。

他本科毕业于浙江大学本科，香港中文大学博士（师从汤晓鸥），现在是腾讯ARC实验室（深圳应用研究中心）的研究员。

此前曾登顶GitHub热榜的项目GFPGAN也是他的代表作。

One More Thing

前两天，大谷老师也发布了用Stable Diffusion生成了一组少女人像，效果非常奈斯。

顺带让我们都完成了一下“阅女无数”的成就（doge）。

Stable Diffusion还能玩出哪些新花样？你不来试试吗？

Colab试玩：
https://colab.research.google.com/github/nateraw/stable-diffusion-videos/blob/main/stable_diffusion_videos.ipynb

GitHub地址：
https://github.com/nateraw/stable-diffusion-videos