论文地址：https://arxiv.org/abs/2208.12242v1项目地址：https://dreambooth.github.io/DreamBooth主要的工作目的是实现保留主体的细致特征的情况下使用文本对其进行环境等编辑。整体方法为给定一个主体的3-5个图像和文本提示作为输入，微调预训练的文生图模型（Imagen，但不限于特定模型）用于合成主体在不同场景中的全新照片级图像。该框架分两步操作（见上图）；1）从文本生成低分辨率图像（64×64）利用3-5张输入图像和文本提示微调低分辨率文生图模型，并且为了防止过度拟合和语言漂移提出了自发性的**类别区分的先验保留损失（Class-

文本AI-ChatGPT和绘画AI-StableDiffusion，平地惊雷，突然进入寻常百姓家。如果时间可以快进，未来的人们对于我们这段时光的历史评价，大概会说：当时的人们在短时间连续经历了这几种情感。从不信，去试试看；到远超预期，后怕；到释然钦佩感慨，进步来得太快。人们原以为AI是远方的灯塔，转眼，才发现在后面的是人类。再望向AI，惊觉已望尘莫及。作为一名开发者，我在想如果让AI代替我工作，是个什么感受呢？本文我想和你分享我在过去两天的探索。前情回顾倘若你十分幸运，暂时还没有体验这波AI，以下是简短回顾。比如下面这张截图，一个人在和一个另一个似乎全知全能的生物对话，这便是隶属于机器学习NL

Diffusion扩散模型学习1——Pytorch搭建DDPM利用深度卷积神经网络实现图片生成学习前言源码下载地址网络构建一、什么是Diffusion1、加噪过程2、去噪过程二、DDPM网络的构建（Unet网络的构建）三、Diffusion的训练思路利用DDPM生成图片一、数据集的准备二、数据集的处理三、模型训练学习前言我又死了我又死了我又死了！源码下载地址https://github.com/bubbliiiing/ddpm-pytorch喜欢的可以点个star噢。网络构建一、什么是Diffusion如上图所示。DDPM模型主要分为两个过程：1、Forward加噪过程（从右往左），数据集的真

系列文章目录本地部署StableDiffusion教程，亲测可以安装成功StableDiffusion界面参数及模型使用谷歌Colab云端部署StableDiffusion进行绘图文章目录系列文章目录前言一、AIGC是什么？二、操作步骤1.资源准备-零元开通试用套餐2.创建应用3.输入提示词生成图片4.计费参考5.释放函数资源后记前言上一篇博客我们通过GoogleColab云端部署了StableDiffusion，但是前提条件是要有谷歌账号且能正常访问谷歌网站，如果没有谷歌账号也懒得魔法上网怎么办？阿里云为StableDiffusion体验者带来了福音：官方活动链接：https://devel

文章目录（零）前言（一）局部重绘（Inpaint）（二）画布扩绘（Outpaint）（2.1）图片画布扩大（插件：OpenOutpaint）（2.2）视频无限缩放（插件：InfiniteZoom）（三）选择合适的模型（零）前言本篇主要提到图生图的扩展使用，也就是画布扩绘（Outpaint），在不改变原画的基础上，扩大画布补充内容。更多不断丰富的内容参考：🔗《继续Stable-DiffusionWEBUI方方面面研究(内容索引)》（一）局部重绘（Inpaint）我们都知道，图生图当中可以用蒙版修改/去掉图片中某一部分内容，而不改变图片其它部分。同时也有个模型pix2pix，用文字描述来改变图片中

DiffusionModel——由浅入深的理解概览扩散过程逆扩散过程损失函数总结参考Diffusionmodel是一种图片生成的范式，大量的数学公式让许多同学望而却步，但实际研究下来，它的公式推导其实大部分都在射程范围之内。本文在概览中对Diffusionmodel抛去细节做一个整体的梳理，而细节的推导会在下文的扩散过程、逆扩散过程、损失函数中展示。如果只想对Diffusionmodel有一个定性的了解而不关系推导的话，只看概览就可以了。概览扩散模型有两个过程，分别为扩散过程和逆扩散过程。如上图所示，扩散过程为从右到左（X0→XTX_0\rightarrowX_TX0​→XT​）的过程，表示对

欢迎使用Markdown编辑器venv“D:\Anaconda3\envs\StableDiffusion\Scripts\Python.exe”Python3.10.6|packagedbyconda-forge|(main,Oct242022,16:02:16)[MSCv.191664bit(AMD64)]Commithash:a9fed7c364061ae6efb37f797b6b522cb3cf7aa2Installingopen_clipTraceback(mostrecentcalllast):File“d:\projects\StableDiffusion\stable-diff

欢迎使用Markdown编辑器venv“D:\Anaconda3\envs\StableDiffusion\Scripts\Python.exe”Python3.10.6|packagedbyconda-forge|(main,Oct242022,16:02:16)[MSCv.191664bit(AMD64)]Commithash:a9fed7c364061ae6efb37f797b6b522cb3cf7aa2Installingopen_clipTraceback(mostrecentcalllast):File“d:\projects\StableDiffusion\stable-diff

图片转图片#一般我们有两种途径对图像进行修复：PS和InPaint，使用方法也十分多样。WebUI使用 --gradio-img2img-toolcolor-sketch 启动会带入一个插件对图片进行颜色涂抹(这里不是Inpaint)处理图片大小#Justresize:将图像调整为目标分辨率。除非高度和宽度完全匹配，否则图片会被挤压Cropandresize：调整图像大小，使整个目标分辨率都被图像填充。裁剪多余部分。Resizeandfill：调整图像大小，使整个图像在目标分辨率内。用图像的颜色填充空白区域。注意颜色#无论是3D(DAZ这样的3D模型)还是线稿，AI只识别 色彩 ，而不是线条，

StableDiffusionWebUI开源地址：https://github.com/AUTOMATIC1111/stable-diffusion-webui 首先根据要求做以下准备工作：1.安装 Python3.10.6,安装时记得勾选"AddPythontoPATH"把Python添加到环境变量.2.安装Git环境，Git-DownloadingPackage3.用git命令把下载StableDiffusionWebUI项目:  gitclonehttps://github.com/AUTOMATIC1111/stable-diffusion-webui.git4.项目下载到本地后双击