Midjourney 危，Stable Diffusion-XL 开启公测：会画手、能写字，再也不用写长 prompt 了

自从 Midjourney 发布 v5 之后，在生成图像的人物真实程度、手指细节等方面都有了显著改善，并且在 prompt 理解的准确性、审美多样性和语言理解方面也都取得了进步。

相比之下，Stable Diffusion 虽然免费、开源，但每次都要写一大长串的 prompt，想生成高质量的图像全靠多次抽卡。

最近 Stability AI 的官宣，正在研发的 Stable Diffusion XL 开始面向公众测试，目前可以在 Clipdrop 平台免费试用。

Stability AI 的创始人兼首席执行官 Emad Mostaque 表示，目前该模型仍然处于训练阶段，等参数稳定后将会开源；SD-XL 在「握手」等图像细节方面会表现更好，几乎完全可控。

Stable Diffusion XL 也并不是最终发布版的名字，并且也并非是 v3，因为 SD-XL 的架构和 SD-v2 系列的模型架构非常相似。

Minimalistic home gym with rubber flooring, wall-mounted TV, weight bench, medicine ball, dumbbells, yoga mats, high-tech equipment, high detail, organized and efficient.

简约的家庭健身房，橡胶地板，壁挂式电视，举重凳，药球，哑铃，瑜伽垫，高科技设备，高细节，组织和效率

下面几张 SD-XL 官方发布的例图，可以看出图像的质量已经非常能打了。

不过有时候 less 并不代表 more，有网友认为 SD-XL 为了摆脱「糟糕的品味」，设定了太多的规则，定制化空间越来越小，不符合大多数人的喜好。目前 v1.5 的 Stable Diffusion 仍然是社区内最流行的基座模型。

网友表示希望新版 SD 能够和 SD 2.1 版本的嵌入、hypernetworkds 和 Lora 模型保持兼容，再从零开始重训的话就太难受了。

也有网友认为，SD-XL 的表现和 civit 网站上网友分享的模型差不多，新模型的效果也并不是特别惊艳，也就是平均水平。

SD-XL：开源版 Midjourney

关于 Stable Diffusion XL 模型的具体信息，官方并没有透露太多，目前只知道是一个与 v2 模型架构相似、但规模和参数量更大的模型。

SD-v2.1 包括 9 亿参数，SD-XL 大约有 23 亿参数，Emad 表示正式版可能会额外发布一个更小的蒸馏版本。

SD-XL 相比之前版本的改进如下：

• 使用较短的描述性 prompt 即可生成高质量图像

• 可以生成更贴合 prompt 的图像

• 图像中的人体结构更合理

• 与 v2.1 和 v1.5 版本 (程度较轻) 相比，SD-XL 生成的图片更符合大众审美

• 负面提示词（negative prompt）是可选项

• 生成的肖像图更逼真

• 图像中的文本更清晰

需要注意的是，SD-XL 可能与之前版本的插件不兼容。

清晰可读的文字

在 v1 系列和 v2.1 版本的 Stable Diffusion 模型中，并不具备在图片中生成可读文本的能力。

虽然 SD-XL 生成的文本信息并不总是准确，但确实得到了巨大的提升。

Photo of a woman sitting in a restaurant holding a menu that says “Menu”

一个女人坐在餐馆里拿着写着「Menu」的菜单

Photo of a man holding a sign that says “Stable Diffusion”

一个男人举着写着「Stable Diffusion」的牌子

a young female holding a sign that says “Stable Diffusion”，highlights in hair, sitting outside restaurant, brown eyes, wearing a dress, side light

一个年轻的女性举着一个牌子，上面写着「Stable Diffusion」，头发高亮，坐在餐厅外面，棕色的眼睛，穿着裙子，侧灯

更好的人体结构

Stable Diffusion 在生成人体解剖结构方面一直存在诸多问题，多几条腿、少个胳膊实在是太常见不过的问题，通常需要使用 inpaint 功能进一步对图像细节进行修正；或者是使用 ControlNet 的 Open Pose 功能从参考图像中复制人体的姿态。

比如说 SD-v1.5 生成瑜伽的图像，经常会出现扭曲的人体。

Photo of a woman in yoga outfit, triangle pose, beach in evening, rim lighting

一个女人的照片在瑜伽服装，三角形的姿势，海滩在晚上，边缘照明

SD-XL 虽然生成的图像并不完美，不过在人体姿态方面已经有了显著的进步。

更有美感（more aesthetic）

比如同样以屋子为主题，SD-XL 可以生成更对称、视觉效果更好的照片。

SD-XL 在肖像照片上也有显著改进。

photo shot of a woman

一个女人的照片

更贴合 prompt 的图像

SD-XL 可以更好地理解输入的 prompt，并生成更精确的图像。

比如以 duotone（双色）为例，SD-v1.5 只会生成黑白图像，而 SD-XL 则可以生成具有多种颜色的双色调图像。

与 v1 模型相比，理解提示符的能力有所提高。

duotone portrait of a woman

一个女人的双色调肖像

因为 SD-XL 同属 v2 系列模型，所以文本模型尺寸更大，可以比 v1 模型更好地理解提示词。

比如下面的例子中，v1.5 模型始终无法理解图像中的两个主题（机器人和人类），但 SD-XL 模型可以生成正常的图像（虽然机器人还是不够 big）。

big robot friend sitting next to a human, ghost in the shell style, anime wallpaper

大机器人朋友坐在人类旁边攻壳机动队风格的动漫壁纸

a young man, highlights in hair, brown eyes, in white shirt and blue jean on a beach with a volcano in background

一个年轻人，头发染得很亮，棕色眼睛，穿着白衬衫和蓝色牛仔裤，站在海滩上，背景是一座火山

艺术风格

在艺术风格上，SD-XL 并没有显著改进，和之前的版本各有千秋。

比如两个模型以不同的角度生成了 Edward Hopper 风格的图像。

New York city by Edward Hopper

Edward Hopper 绘制的纽约

Leonid Afmov 的风格中，SD-v1.5 更准确，SD-XL 缺少了不同颜色的笔刷（unmistakable colorful board brushstrokes）。

New York city by Leonid Afremov

Leonid Afemov 绘制的纽约

William-Adolphe Bouguereau 风格中，V1.5 和 SDXL 都可以生成一些类似的内容，其中 SD-XL 更接近 Bouguereau 创作的经典学院派绘画，并且面部细节更多。

Portrait of beautiful woman by William-Adolphe Bouguereau

William-Adolphe Bouguereau 绘制的美女肖像

风格转变问题

在添加一些无关紧要的关键字后，模型的风格可能会突然转变。

比如先生成一张照片风格的图像。

a young man, highlights in hair, brown eyes, in white shirt and blue jean on a beach with a volcano in background

一个年轻人，头发染得很亮，棕色眼睛，穿着白衬衫和蓝色牛仔裤，站在海滩上，背景是一座火山

再添加一条黄色的围巾后，图像风格就变成了卡通风格。

a young man, highlights in hair, brown eyes, wearing a yellow scarf, in white shirt and blue jean on a beach with a volcano in background

一个年轻人，头发染得很亮，棕色的眼睛，围着黄色的围巾，穿着白衬衫和蓝色牛仔裤，站在一个火山为背景的海滩上

问题的故障可能源于预览问题，在正式发布后该问题不知能否得到解决。

参考资料：

• https://clipdrop.co/stable-diffusion

本文来自微信公众号：新智元 （ID：AI_era）

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。