Stable Cascade

Stable Cascade 是一种基于 Würstchen 架构的新型文本到图像模型，采用了三阶段方法，旨在简化模型的训练和微调，使之能够在消费级硬件上轻松运行。这一模型在非商业许可下发布，仅限于非商业用途。

主要亮点

• 新模型发布：Stable Cascade 在研究预览中发布，采用三阶段方法，提高了质量、灵活性、微调能力和效率，同时进一步降低了硬件要求。
• 技术细节：Stable Cascade 包括三个阶段（A、B、C），通过分层压缩图像，实现了使用高度压缩的潜在空间达到显著的输出效果。
• 训练和微调：提供了针对不同阶段的训练和微调脚本，特别是Stage C，可以单独进行训练或微调，显著降低成本。
• 参数规模与效率：Stage C 提供1B与3.6B参数两种模型，Stage B 提供700M与1.5B参数两种模型，强调了效率和质量的平衡。

性能比较

• Stable Cascade 在几乎所有模型比较中，无论是在提示对齐还是美学质量方面，都表现最佳。
• 尽管其最大模型参数比Stable Diffusion XL多出1.4亿，但仍然展现出更快的推理速度。

附加功能

• 图像变体生成：通过使用CLIP提取给定图像的嵌入，然后返回给模型生成变体。
• 图像到图像生成：通过向给定图像添加噪声作为生成的起点。

代码支持

• 为了进一步降低实验的要求，Stable Cascade 发布了全部的训练、微调、ControlNet和LoRA代码。
• 发布的ControlNets包括：修复/外扩、Canny边缘检测、2倍超分辨率等功能。

结论

Stable Cascade 通过其三阶段方法和模块化设计，展现了在文本到图像生成领域的新里程碑。这一模型不仅提供了高质量的输出，还通过其创新的架构大幅降低了训练和推理的硬件要求，使得更多的用户能够在消费级硬件上进行实验和创作。尽管目前仅限于非商业用途，但Stable Cascade 的发布为进一步的研究和开发提供了强大的工具和可能性。