可生成高清视频的 Stable Diffusion 来了！分辨率提升 4 倍，超分算法来自腾讯，支持 Colab 在线试玩

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。

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）。

6z6z网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。

查看更多资讯请关注6z6z下载站