【AI绘图】一、stable diffusion的发展史

一、stable diffusion的发展史

本文目标：学习交流 对于熟悉SD的同学，一起学习和交流使用过程中的技巧和心得。 帮助新手
帮助没有尝试过SD但又对它感兴趣的同学快速入门，并且能够独立生成以上效果图。

1.发展史介绍：

• 2015年的时候，有几位大佬基于非平衡热力学提出了一个纯数学的生成模型 (Sohl-Dickstein et al., 2015)。不过那个时候他们没有用代码实现，所以这篇工作并没有火起来。
• 2019年斯坦福大学(Song et al)与2020年谷歌大脑 (Ho et
  al)根据15年发布的文章，编写了两篇论文，但是影响范围并不是很大。
• 2020年谷歌大脑的几位大佬又把这个模型实现了出来，因为这个模型一些极其优秀的特性，所以它现在火了起来。
• 2022年9月初,AIGC 进入大众视野里程碑的一件事，下面这幅使用 MidJourney 生成的数字油画《空间歌剧院》
  
  在美国科罗拉多州博览会 (Colorado State Fair) 的艺术比赛中夺得了第一名，之后大赛评委并未对该幅作品进行改判，并认为即使它是 AI 生成的作品，也依旧配得上这样的成绩，这一新闻被报道后引发了圈内外的广泛讨论。
  AI是否应该与人同台竞争，确实需要进一步探究，但真正吸引公众眼光的，其实是AI画作的展现出的超高水平：无论是《空间歌剧院》还是《大西洋月刊》的几幅AI插画，都达到了足以以假乱真的地步，无论是构图、线条还是色彩，都很自然流畅，并没有刻板印象中的机械呆板。人们惊奇地发现，AI作画已经发展到了难以想象的地步。

AIGC工具对比

在目前的三大新兴文本转图像模型中，Stable Diffusion诞生得最晚，但由于拥有发展良好的开源社区，它的用户关注度和应用广度都超越Midjourney和DALL-E。

DALL-E

2021 年 1 月，OpenAI 推出了 DALL－E 模型，通过 120 亿参数版本的 GPT-3 Transformer 模型来理解自然语言输入并生成相应的图片。但是它的推出主要用于研究，所以访问权限仅限于小部分测试版用户。这个模型不稳定对于细节理解处理不完善，且会出现严重的逻辑或者事实错误，但是作为开创者，还是得专门提出来的。

在发布 DALL-E 时还发布了 CLIP （Contrastive Language-Image Pre-training，对比图文预训练）。CLIP 是一种神经网络，为输入的图像返回最佳的标题。它所做的事情与 DALL-E 所做的相反 —— 它是将图像转换为文本，而 DALL-E 是将文本转换为图像。引入 CLIP 的目的是为了学习物体的视觉和文字表示之间的联系。

2022 年 4 月，OpenAI 发布了新版本的 DALL-E 2 ，它是 DALL-E 的升级版本，另外能对所生成的图像进行二次编辑，现在即使是新用户也需要充值才能生成新图。

MidJourney

MidJourney 的 v1 是 2022 年 2 月发布的，它火出圈是由于 22 年 7 月份的 v3 版本。

它的特点是综合能力比较全面，艺术性很强，非常像艺术家制作的作品，另外图像生成速度更快，早期主要是很多艺术家会借助 Midjourney 作为创作灵感。另外，因为 Midjourney 搭载在 Discord 频道上，所以有非常良好的社区讨论环境和用户基础。

第二次火其实就是今年 3 月份发布 V5, 官方说这个版本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，并且在提示词理解的准确性、审美多样性和语言理解方面也都取得了进步。

Stable Diffusion

Stable Diffusion 算法上基于 2021 年 12 月提出的潜在扩散模型（LDM / Latent Diffusion Model）和 2015 年提出的扩散模型（DM / Diffusion Model，它是基于 Google 的 Transformer 模型），所以名字里有 Diffusion，我猜 Stable 表示现在算法已经稳定下来了。

2022年7月Stable Diffusion的问世则震惊了全球，相比前辈们，Stable Diffusion已经成功的解决了细节及效率问题，通过算法迭代将AI绘图的精细度提升到了艺术品级别，并将生产效率提升到了秒级，创作所需的设备门槛也被拉到了民用水准。
2022年8月对于AI绘图来说，革命性的时刻已经来临，也得益于Stable Diffusion的开源性质，全球AI绘图产品迎来了日新月异的发展。这次AI创作大讨论，正是公众们直观地感受到了技术浪潮带来的影响，AI绘图正在走进千家万户，舆论热潮也随之而来。

2023 年 4 月，Stability AI 发布了 Beta 版本的 Stable Diffusion XL ，并提到在训练结束后参数稳定后会开源，并改善了需要输入非常长的提示词 (prompts)，对于人体结构的处理有瑕疵，经常出现动作和人体结构异常。

MidJourney 和 Stable Diffusion 的对比

在目前的三大新兴文本转图像模型中，Stable Diffusion诞生得最晚，但由于拥有发展良好的开源社区，它的用户关注度和应用广度都超越Midjourney和DALL-E。

1.价格
MidJourney 毕竟是为了盈利的，远不如自己部署到自己服务器的开销要低。SD 完胜
友好程度。MidJourney 新手友好，注册即用，相对的 SD 需要有一定技术背景，甚至可以说设计师或者艺术创作者自己不具备部署能力。SD 小胜
2.功能
SD 除了支持 MidJourney 全部功能外还支持填充修复、自定义模型。SD 小胜
3.对细节的控制
类似于苹果 (MidJourney) 和安卓 (SD) 的区别，MidJourney 是商业产品，你无法了解它的背后的原理和代码逻辑，所以可控性差、细节优化难 (甚至越调越差)，而 SD 由于是开源的且有强大的社区和相关的模型、扩展等，可以实现本地私有化部署，还能够精准局部调优，控制风格，SD 完胜的。
4.提示方法
Midjourney 是自然语言输入 (直接文字表达需求)，而 SD 是各种带权重的提示词输入。SD 的提示词本文是非常考验输入者能力的，Midjourney 小胜。
5.效果
总体上觉得 MidJourney 的图更精致一点点，但是作为非算法开发者，我感觉 SD 目前输在模型训练的素材和方法上。MidJourney 小胜。
6.擅长的画风
MidJourney 注重表达和对细节的渲染，而 Stable-Diffusion 偏写实，如果你想艺术创作，MidJourney 更好，如果你已经有具体的需求，SD 更好。

AI绘画的突破对人类意味着什么

2022年的AI领域，基于文本生成图像的AI绘画模型是风头无两的主角。 从2月份的Disco Diffusion开始，4月 DALL-E 2和MidJourney邀请内测，5月和6月Google发布两大模型Imagen 和Parti（不开放内测只有论文，感觉略水），然后7月底，Stable Diffusion横空出世。

目前最新AI绘画的”创造力”开始追赶甚至几已比肩人类，这或许进一步打击了人类的尊严，从围棋阿法狗开始，人类在”智慧”这个点的尊严领地已经越来越小，而AI绘画的突破性进展则进一步把人类”想像力”和”创造力”的尊严都打碎了 — 或许还没完全破碎，但已经充满裂痕摇摇欲坠。

作者一直对人类的科技发展保持某种中性看法： 尽管我们寄望于科技让人类的生活变得更美好，但事实上正如核弹的发明，有些科学技术的出现是中性的，也可能是致命的。 完全取代人类的超级AI从实践来看似乎是一件越来越可能的事情。 人类需要思考的是，在不太远的将来，我们在所有领域面对AI都落荒而逃的时候，如何保持对世界的主导权。

有个朋友说的很对，如果AI最终学会了写代码 — 似乎没有什么必然的壁垒在阻止这件事的发生 –那么电影终结者的故事或许就要发生了。 如果这样太悲观，那么人类至少要考虑，如何与一个超越自己所有智慧和创造力的AI世界相处。

当然咯，乐观的角度而言，未来的世界只会更美好：人类通过AR/VR接入统一的或者个人的元宇宙，人类主人只要动动嘴皮子，无所不能的AI助理就能根据要求自动生成内容，甚至直接生成可供人类体验的故事/游戏/虚拟生活。

这是一个更美好的盗梦空间，还是一个更美好的黑客帝国？