Stable Diffusionのバージョン

Table of Contents

Stable Diffusion v1.x（v1.1からv1.4）

Stable Diffusion v1.xは、CompVis（ルートヴィヒ・マクシミリアン大学ミュンヘン）がStability AIおよびRunwayと協力して開発したStable Diffusionモデルの最初のリリースです。

from diffusers import StableDiffusionPipeline
pipe = StableDiffusionPipeline.from_pretrained("CompVis/stable-diffusion-v1-4")
pipe.to("cuda")

image = pipe("A fantasy landscape, trending on artstation").images[0]
image.save("fantasy_landscape.png")

Stable Diffusion 2.x（2.0、2.1）

Stable Diffusion v2.xは、Stability AIによってリリースされた元のStable Diffusionモデルの改良版です。

  • v1.xとの変更点：
    • 新しいテキストエンコーダー：OpenCLIP Vit-H/14（v1.xとは異なるトークン化/セマンティクス）。
    • 768x768ネイティブモデルを追加（512バリアントと並行）。
    • 公式バリアントを拡張：depth-to-image、inpainting、x4 upscaler。
    • より強力なデータフィルタリング、プロンプト語彙がシフト。
  • Hugging Face：stabilityai/stable-diffusion-2-1-base
  • GitHub：Stability-AI/stablediffusion

SDXL 1.0（BaseとRefiner）

Stability AIによってもリリースされました。

  • アーキテクチャ：
    • 2段階のdiffusionプロセス（BaseとRefiner）。
    • “Ensemble of experts"パイプライン：粗いdenoising用のBaseとオプションの最終denoising step用のRefiner。
    • OpenCLIP ViT-G/14とCLIP ViT-L/14（2つのエンコーダー）
  • ネイティブ解像度：1024x1024ピクセル。
  • 品質：v1.4/2.1と比較して、構成、色の忠実度、フォトリアリズム、プロンプト整合性が大幅に向上。
  • トレードオフ：以前のバージョンよりも重く、遅い。
  • Hugging Face：

SDXL-Turbo

（Stability AI）

  • SDXL 1.0との違い：
    • 単一のU-Netモデル（個別のRefinerなし）。
    • 速度とコスト効率のために最適化。
    • SDXL 1.0よりもわずかに品質が低いが、v1.4/2.1よりも優れている。
    • Adversarial Diffusion Distillationを使用したSDXL 1.0の蒸留版。
  • 512x512付近で最適化。
  • Hugging Face：stabilityai/stable-diffusion-xl-turbo-1.0
  • プロジェクトページ

Stable Diffusion 3.x（3.0、3.5）

（Stability AI）