哪些公司做网站,旅游手机网站开发,哪里有帮做微课的网站,asp旅游网站模板下载目录
1. 效果展示
2. ControlNet介绍
3. 图生图流程浅析
4. SDWebui图生图代码流程
5. 参考资料 一、效果展示 图生图的应用场景非常多#xff0c;比较典型的应用场景有风格转化#xff08;真人与二次元#xff09;、线稿上色、换装和对图片进行扩图等#xff0c;下面…目录
1. 效果展示
2. ControlNet介绍
3. 图生图流程浅析
4. SDWebui图生图代码流程
5. 参考资料 一、效果展示 图生图的应用场景非常多比较典型的应用场景有风格转化真人与二次元、线稿上色、换装和对图片进行扩图等下面我们看下几个场景的效果
原图是用上一篇文生图文章中生成的图片 1.1 应用场景1修改背景 highres,beach seaside,
Controlnet canny depth 1.2 应用场景2风格变化 -- 写实转卡通 highres,toon (style),
Anything模型
Controlnet canny depth 1.3 应用场景3线稿上色 1oldman,highres,Dark eyes,yellow skin,Chinese,
controlnet canny
需要注意重回尺寸以及Controlnet的Preprocess Reslution要和原图一致 1.4 应用场景4人物姿态一致 A astronaut wearing a spacesuit in space,
Controlnet openpose 除此之外还有很多其他的应用场景可以值得我们探索尝试比如艺术二维码、创意字等 二、ControlNet介绍 2.1 工作原理 图片来自StableDiffusion-ControlNet工作原理[译] SD UNet 中的所有参数被冻结并克隆一份(trainable copy)到 ControlNet. 这些 trainable copy 通过一个外部条件向量(external condition vector)进行训练.
下图从整体上说明了 ControlNet 和 Stable Diffusion 如何在推理过程采样中协同工作 2.2 控制类型
为了保证生成图片和原图的画面相关性、一致性ControlNet是很有必要的它可以精细的控制图片的主体、背景和风格等ContNet有多达十几种控制类型 每种控制类型有个不同的预处理器和模型另外ControlNet还可以多个叠加组合使用组合方式可以达到上百种 图片来自从零开始学AI绘画万字Stable Diffusion终极教程 下面介绍下最常用的几种控制方式 Canny硬边缘、Depth深度图、OpenPose人体姿势 2.2.1 Canny硬边缘 输入的原图 canny边缘图 生成的图 通过Canny提取出图片的边缘然后使用canny对应的模型结合prompt控制出图
使用场景保持人物的风格轮廓不变通过prompt修改背景的情况 2.2.2 Depth深度图 输入的原图 深度图 生成的图片 使用 Depth 原图被灰阶色值区分程序自动的区分图像中元素区域的远近关系使用该控制模式生成的图片保持了同样的深度信息。 2.2.3 OpenPose人体姿势 原图 人体姿态图 生成的图片 OpenPose 可生成图像中人物的骨架图这个骨架图可用于控制生成角色的姿态动作以及手部OpenPos一定程度上解决了SD饱受诟病的残肢手部问题 三、图生图流程浅析
通过X/Y/Z脚本来查看下不同生成图生图在不同采样方法的生成过程 可以看到和文生图的不同是输入不再以Gaussian noise作为初始化而是以加噪后的图像特征为初始化。
图生图流程如下 图片来自AIGC专栏3——Stable Diffusion结构解析-以图像生成图像 第一步对输入的图像进行VAE编码获得图像的Latent space特征然后使用该Latent特征基于DDIM Sampler进行加噪获得输入图片加噪后的特征
第二步对输入的文本进行编码获得Text Embding
第三步对前两步获得的图片加噪后的特征以及Text Embding 进行若干次采样和去噪
第四步使用VAE解码 四、SDWebui图生图代码流程
和文生图的流程类似
4.1 入口方法modules.api.api.Api.img2imgapi
#输入的图片init_images img2imgreq.init_images#初始化插件 egContronetscript_args self.init_script_args(img2imgreq, self.default_script_arg_img2img, selectable_scripts, selectable_script_idx, script_runner)
p.init_images [decode_base64_to_image(x) for x in init_images]p.is_api Truep.scripts script_runnerp.outpath_grids opts.outdir_img2img_gridsp.outpath_samples opts.outdir_img2img_samples
#如果插件不为空走插件处理流程否则直接processif selectable_scripts is not None: p.script_args script_args processed scripts.scripts_img2img.run(p, *p.script_args) # Need to pass args as list hereelse: p.script_args tuple(script_args) # Need to pass args as tuple here processed process_images(p)
4.2 process_images 加载sd基础模型和vae模型
for k, v in p.override_settings.items(): opts.set(k, v, is_apiTrue, run_callbacksFalse)#加载sd大模型 if k sd_model_checkpoint: sd_models.reload_model_weights() #加载vae模型 if k sd_vae: sd_vae.reload_vae_weights()
#继续调用process生成图片res process_images_inner(p)
4.3 process_images_inner
#获得编码后的promptp.prompts p.all_prompts[n * p.batch_size:(n 1) * p.batch_size]p.negative_prompts p.all_negative_prompts[n * p.batch_size:(n 1) * p.batch_size]p.seeds p.all_seeds[n * p.batch_size:(n 1) * p.batch_size]p.subseeds p.all_subseeds[n * p.batch_size:(n 1) * p.batch_size]
#采样samples_ddim p.sample(conditioningp.c, unconditional_conditioningp.uc, seedsp.seeds, subseedsp.subseeds, subseed_strengthp.subseed_strength, promptsp.prompts)
#解码x_samples_ddim decode_latent_batch(p.sd_model, samples_ddim, target_devicedevices.cpu, check_for_nansTrue)
#保存生成的图片images.save_image(image, p.outpath_samples, , p.seeds[i], p.prompts[i], opts.samples_format, infoinfotext(i), pp) 五、参考资料
1. High-Resolution Image Synthesis with Latent Diffusion Models https://arxiv.org/abs/2112.10752
2. Denoising Diffusion Probabilistic Models https://arxiv.org/pdf/2006.11239.pdf
3. AIGC专栏3——Stable Diffusion结构解析-以图像生成图像图生图img2img为例 https://blog.csdn.net/weixin_44791964/article/details/131992399
4. 从零开始学AI绘画万字Stable Diffusion终极教程https://zhuanlan.zhihu.com/p/659211251
5. 精讲stable diffusion的controlNet插件 https://caovan.com/jingjiangstable-diffusiondecontrolnetchajian/.html/3
6. StableDiffusion-ControlNet工作原理[译] https://www.aiuai.cn/aifarm2097.html
7.Stable Diffusion 超详细讲解 https://jarod.blog.csdn.net/article/details/131018599 感谢你的阅读
接下来我们继续学习输出AIGC相关内容欢迎关注公众号“音视频开发之旅”一起学习成长。
欢迎交流
