Latent Diffusion Model で、文から画像を生成する

1.はじめに

　先週、OpenAIがDALL-E2を発表して、文から画像を生成するタスクが再びホットな状態になっています。私も、DALL-E2を早く試してみたいと思ってWAITLISTに申し込み、連絡が来るのを心待ちにしています。

　そうした中、別のグループからDALL-E2と同様な潜在拡散モデルが公開されましたので、今回はそれを試してみたいと思います。

＊この論文は、2021.12に提出されました。

2.Latent Diffusion Modelとは？

　下記は、latent diffusion model（潜在拡散モデル）の概要です。このモデルは、まずトレーニングデータにガウスノイズを徐々に追加して純粋なノイズになるまで破損させ、ニューラルネットワークにこの破損プロセスを逆転させることを学習させます。

　学習後は、この逆破損プロセスを実行することで、純粋なノイズからデータを生成することができます。そして、このプロセスの中で、文や領域などの条件付けをすると任意の画像生成ができます。

3.コード

　コードは colab の形で、この「リンク」で提供されています。この colab は、中々上手くできていて、if文を使って１つのブロックだけで作られています。

　使い方は、prompt に英文を入力して実行ボタンを押すだけです。なお初回のみ動作途中でリセットがかかり一旦動作が停止しますので、再度実行ボタンを押して下さい。

#@markdown # **GLID-3** inferencing
#@markdown #### simplified by mega b#6696
#@markdown <a href="https://discord.gg/xBPBXfcFHd"><img alt="Join us on Discord" src="https://img.shields.io/discord/823813159592001537?color=5865F2&logo=discord&logoColor=white"></a></br>
#@markdown ---
import os, sys
from IPython.display import clear_output, Image, display
import glob

if not os.path.isdir('/content/glid-3'):
  !nvidia-smi -L
  !git clone https://github.com/Jack000/glid-3
  %cd glid-3/
  !pip install -q -e .
  !pip install -q git+https://github.com/openai/CLIP.git
  !git clone https://github.com/CompVis/latent-diffusion.git
  !pip install -q -e latent-diffusion/.
  sys.path.insert(1, '/content/glid-3/latent-diffusion')
  !pip install -q dalle-pytorch
  !mkdir output
  clear_output()
  print("Restarting runtime, re-run this cell.")
  !pip install -q pyyaml>=5.1 transformers typing_extensions 
  os.kill(os.getpid(), 9)

if not os.path.isfile('/content/glid-3/vq-f8/model.ckpt'):
  %cd glid-3/
  !wget https://ommer-lab.com/files/latent-diffusion/vq-f8.zip && unzip vq-f8.zip -d vq-f8
  # download latest pretrained glid-3 model
  !wget https://dall-3.com/models/glid-3/ema-latest.pt
  import io
  import math
  import sys
  import requests
  import torch
  from torch import nn
  from torch.nn import functional as F
  from torchvision import transforms
  from torchvision.transforms import functional as TF
  from tqdm.notebook import tqdm
  import numpy as np
  from guided_diffusion.script_util import create_model_and_diffusion, model_and_diffusion_defaults
  from einops import rearrange
  from math import log2, sqrt
  import argparse
  import pickle
  from clip_custom import clip
  from omegaconf import OmegaConf
  from ldm.util import instantiate_from_config
  import os

  def fetch(url_or_path):
      if str(url_or_path).startswith('http://') or str(url_or_path).startswith('https://'):
          r = requests.get(url_or_path)
          r.raise_for_status()
          fd = io.BytesIO()
          fd.write(r.content)
          fd.seek(0)
          return fd
      return open(url_or_path, 'rb')

  device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
  print('Using device:', device)

  model_params = {
      'attention_resolutions': '32,16,8',
      'class_cond': False,
      'diffusion_steps': 1000,
      'rescale_timesteps': True,
      'timestep_respacing': '27',  # Modify this value to decrease the number of
                                    # timesteps.
      'image_size': 32,
      'learn_sigma': True,
      'noise_schedule': 'cosine',
      'num_channels': 320,
      'num_head_channels': 64,
      'num_res_blocks': 3,
      'encoder_channels': 768,
      'resblock_updown': True,
      'use_fp16': True,
      'use_scale_shift_norm': True
  }


  model_config = model_and_diffusion_defaults()
  model_config.update(model_params)


  # Load models
  model, diffusion = create_model_and_diffusion(**model_config)
  model.load_state_dict(torch.load("ema-latest.pt", map_location='cpu'))
  model.requires_grad_(False).eval().to(device)

  if model_config['use_fp16']:
      model.convert_to_fp16()
  else:
      model.convert_to_fp32()

  def set_requires_grad(model, value):
      for param in model.parameters():
          param.requires_grad = value

  # LDM
  config = OmegaConf.load("./vq-f8/config.yaml")
  pl_sd = torch.load("./vq-f8/model.ckpt", map_location="cpu")
  sd = pl_sd["state_dict"]
  ldm = instantiate_from_config(config.model)
  ldm.load_state_dict(sd, strict=False)
  ldm.to(device)
  ldm.eval()
  set_requires_grad(ldm, False)

  # clip
  clip_model, clip_preprocess = clip.load('ViT-L/14', device=device, jit=False)
  clip_model.eval().requires_grad_(False)
  set_requires_grad(clip_model, False)

  clear_output()

  



!rm -f output/*.png

prompt = "an orange cat is hugging a rock covered with snow at the top of the world's tallest mountain." #@param {type: "string"}

guidance_scale = 5.0 #@param {type:"number"}
width = 256 #@param {type:"number"}
height =  256#@param {type:"number"}
batch_size = 3 #@param {type:"number"}
num_batches = 1 #@param {type:"number"}
negative = "" #@param {type: "string"}

"""!python sample.py \
  --model_path ema-latest.pt \
  --ldm_path vq-f8/model.ckpt \
  --ldm_config_path vq-f8/config.yaml \
  --width "$width" \
  --height "$height" \
  --batch_size "$batch_size" \
  --num_batches "$num_batches" \
  --guidance_scale "$guidance_scale" \
  --text "$prompt" \
  --clip_score"""
    
def do_run():

    text = clip.tokenize([prompt]*batch_size, truncate=True).to(device)

    text_emb, text_out = clip_model.encode_text(text, out=True)
    text_emb_norm = text_emb[0] / text_emb[0].norm(dim=-1, keepdim=True)

    text_out = text_out.permute(0, 2, 1)

    text_blank = clip.tokenize([negative]*batch_size).to(device)

    text_emb_blank, text_out_blank = clip_model.encode_text(text_blank, out=True)
    text_out_blank = text_out_blank.permute(0, 2, 1)

    kwargs = { "xf_proj": torch.cat([text_emb, text_emb_blank], dim=0), "xf_out": torch.cat([text_out, text_out_blank], dim=0) }

    # Create a classifier-free guidance sampling function
    def model_fn(x_t, ts, **kwargs):
        half = x_t[: len(x_t) // 2]
        combined = torch.cat([half, half], dim=0)
        model_out = model(combined, ts, **kwargs)
        eps, rest = model_out[:, :3], model_out[:, 3:]
        cond_eps, uncond_eps = torch.split(eps, len(eps) // 2, dim=0)
        half_eps = uncond_eps + guidance_scale * (cond_eps - uncond_eps)
        eps = torch.cat([half_eps, half_eps], dim=0)
        return torch.cat([eps, rest], dim=1)

    sample_fn = diffusion.plms_sample_loop_progressive

    def save_sample(i, sample, clip_score=False):
        for k, image in enumerate(sample['pred_xstart'][:batch_size]):
            image = 2*image
            im = image.unsqueeze(0)
            im_quant, _, _ = ldm.quantize(im)
            out = ldm.decode(im_quant)

            out = TF.to_pil_image(out.squeeze(0).add(1).div(2).clamp(0, 1))

            filename = f'output/_progress_{i * batch_size + k:05}.png'
            out.save(filename)

            if clip_score:
                image_emb = clip_model.encode_image(clip_preprocess(out).unsqueeze(0).to(device))
                image_emb_norm = image_emb / image_emb.norm(dim=-1, keepdim=True)

                similarity = torch.nn.functional.cosine_similarity(image_emb_norm, text_emb_norm, dim=-1)

                final_filename = f'output/_{similarity.item():0.3f}_{i * batch_size + k:05}.png'
                os.rename(filename, final_filename)

    for i in range(num_batches):
        samples = sample_fn(
            model_fn,
            (batch_size*2, 4, int(height/8), int(width/8)),
            clip_denoised=False,
            model_kwargs=kwargs,
            cond_fn=None,
            device=device,
            progress=True,
        )

        for j, sample in enumerate(samples):
            if j > 0 and j % 50 == 0:
                save_sample(i, sample)
        save_sample(i, sample)


do_run()

print("Images stored in output/")

for img_path in glob.glob('output/*.png'):
    display(Image(filename=img_path))

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

138

139

140

141

142

143

144

145

146

147

148

149

150

151

152

153

154

155

156

157

158

159

160

161

162

163

164

165

166

167

168

169

170

171

172

173

174

175

176

177

178

179

180

181

182

183

184

185

186

187

188

189

190

191

192

193

194

195

196

197

198

199

200

201

202

203

204

205

206

207

208

209

210

211

212

213

214

215

216

217

218

#@markdown # **GLID-3** inferencing

#@markdown #### simplified by mega b#6696

#@markdown <a href="https://discord.gg/xBPBXfcFHd"><img alt="Join us on Discord" src="https://img.shields.io/discord/823813159592001537?color=5865F2&logo=discord&logoColor=white"></a></br>

#@markdown ---

import os, sys

from IPython.display import clear_output, Image, display

import glob

if not os.path.isdir('/content/glid-3'):

!nvidia-smi -L

!git clone https://github.com/Jack000/glid-3

%cd glid-3/

!pip install -q -e .

!pip install -q git+https://github.com/openai/CLIP.git

!git clone https://github.com/CompVis/latent-diffusion.git

!pip install -q -e latent-diffusion/.

sys.path.insert(1, '/content/glid-3/latent-diffusion')

!pip install -q dalle-pytorch

!mkdir output

clear_output()

print("Restarting runtime, re-run this cell.")

!pip install -q pyyaml>=5.1 transformers typing_extensions

os.kill(os.getpid(), 9)

if not os.path.isfile('/content/glid-3/vq-f8/model.ckpt'):

%cd glid-3/

!wget https://ommer-lab.com/files/latent-diffusion/vq-f8.zip && unzip vq-f8.zip -d vq-f8

# download latest pretrained glid-3 model

!wget https://dall-3.com/models/glid-3/ema-latest.pt

import io

import math

import sys

import requests

import torch

from torch import nn

from torch.nn import functional as F

from torchvision import transforms

from torchvision.transforms import functional as TF

from tqdm.notebook import tqdm

import numpy as np

from guided_diffusion.script_util import create_model_and_diffusion, model_and_diffusion_defaults

from einops import rearrange

from math import log2, sqrt

import argparse

import pickle

from clip_custom import clip

from omegaconf import OmegaConf

from ldm.util import instantiate_from_config

import os

def fetch(url_or_path):

if str(url_or_path).startswith('http://') or str(url_or_path).startswith('https://'):

r = requests.get(url_or_path)

r.raise_for_status()

fd = io.BytesIO()

fd.write(r.content)

fd.seek(0)

return fd

return open(url_or_path, 'rb')

device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')

print('Using device:', device)

model_params = {

'attention_resolutions': '32,16,8',

'class_cond': False,

'diffusion_steps': 1000,

'rescale_timesteps': True,

'timestep_respacing': '27', # Modify this value to decrease the number of

# timesteps.

'image_size': 32,

'learn_sigma': True,

'noise_schedule': 'cosine',

'num_channels': 320,

'num_head_channels': 64,

'num_res_blocks': 3,

'encoder_channels': 768,

'resblock_updown': True,

'use_fp16': True,

'use_scale_shift_norm': True

}

model_config = model_and_diffusion_defaults()

model_config.update(model_params)

# Load models

model, diffusion = create_model_and_diffusion(**model_config)

model.load_state_dict(torch.load("ema-latest.pt", map_location='cpu'))

model.requires_grad_(False).eval().to(device)

if model_config['use_fp16']:

model.convert_to_fp16()

else:

model.convert_to_fp32()

def set_requires_grad(model, value):

for param in model.parameters():

param.requires_grad = value

# LDM

config = OmegaConf.load("./vq-f8/config.yaml")

pl_sd = torch.load("./vq-f8/model.ckpt", map_location="cpu")

sd = pl_sd["state_dict"]

ldm = instantiate_from_config(config.model)

ldm.load_state_dict(sd, strict=False)

ldm.to(device)

ldm.eval()

set_requires_grad(ldm, False)

# clip

clip_model, clip_preprocess = clip.load('ViT-L/14', device=device, jit=False)

clip_model.eval().requires_grad_(False)

set_requires_grad(clip_model, False)

clear_output()

!rm -f output/*.png

prompt = "an orange cat is hugging a rock covered with snow at the top of the world's tallest mountain." #@param {type: "string"}

guidance_scale = 5.0 #@param {type:"number"}

width = 256 #@param {type:"number"}

height = 256#@param {type:"number"}

batch_size = 3 #@param {type:"number"}

num_batches = 1 #@param {type:"number"}

negative = "" #@param {type: "string"}

"""!python sample.py \

--model_path ema-latest.pt \

--ldm_path vq-f8/model.ckpt \

--ldm_config_path vq-f8/config.yaml \

--width "$width" \

--height "$height" \

--batch_size "$batch_size" \

--num_batches "$num_batches" \

--guidance_scale "$guidance_scale" \

--text "$prompt" \

--clip_score"""

def do_run():

text = clip.tokenize([prompt]*batch_size, truncate=True).to(device)

text_emb, text_out = clip_model.encode_text(text, out=True)

text_emb_norm = text_emb[0] / text_emb[0].norm(dim=-1, keepdim=True)

text_out = text_out.permute(0, 2, 1)

text_blank = clip.tokenize([negative]*batch_size).to(device)

text_emb_blank, text_out_blank = clip_model.encode_text(text_blank, out=True)

text_out_blank = text_out_blank.permute(0, 2, 1)

kwargs = { "xf_proj": torch.cat([text_emb, text_emb_blank], dim=0), "xf_out": torch.cat([text_out, text_out_blank], dim=0) }

# Create a classifier-free guidance sampling function

def model_fn(x_t, ts, **kwargs):

half = x_t[: len(x_t) // 2]

combined = torch.cat([half, half], dim=0)

model_out = model(combined, ts, **kwargs)

eps, rest = model_out[:, :3], model_out[:, 3:]

cond_eps, uncond_eps = torch.split(eps, len(eps) // 2, dim=0)

half_eps = uncond_eps + guidance_scale * (cond_eps - uncond_eps)

eps = torch.cat([half_eps, half_eps], dim=0)

return torch.cat([eps, rest], dim=1)

sample_fn = diffusion.plms_sample_loop_progressive

def save_sample(i, sample, clip_score=False):

for k, image in enumerate(sample['pred_xstart'][:batch_size]):

image = 2*image

im = image.unsqueeze(0)

im_quant, _, _ = ldm.quantize(im)

out = ldm.decode(im_quant)

out = TF.to_pil_image(out.squeeze(0).add(1).div(2).clamp(0, 1))

filename = f'output/_progress_{i * batch_size + k:05}.png'

out.save(filename)

if clip_score:

image_emb = clip_model.encode_image(clip_preprocess(out).unsqueeze(0).to(device))

image_emb_norm = image_emb / image_emb.norm(dim=-1, keepdim=True)

similarity = torch.nn.functional.cosine_similarity(image_emb_norm, text_emb_norm, dim=-1)

final_filename = f'output/_{similarity.item():0.3f}_{i * batch_size + k:05}.png'

os.rename(filename, final_filename)

for i in range(num_batches):

samples = sample_fn(

model_fn,

(batch_size*2, 4, int(height/8), int(width/8)),

clip_denoised=False,

model_kwargs=kwargs,

cond_fn=None,

device=device,

progress=True,

)

for j, sample in enumerate(samples):

if j > 0 and j % 50 == 0:

save_sample(i, sample)

do_run()

print("Images stored in output/")

for img_path in glob.glob('output/*.png'):

display(Image(filename=img_path))

　それでは、色々な文で画像を生成してみましょう。

prompt = “An astronaut riding a horse in a photorealistic style”　

prompt = “a painting of a fox sitting in a field at sunrise in the style of Claude Monet”

prompt = “A 3D render of a rainbow colored hot air balloon flying above a reflective lake”

prompt = “a stained glass window with an image of a blue strawberry”

prompt = “Big fireworks spread in the night sky of New York”

　OpenAIが発表したDALL-E2には及びませんが、今までよりもリアリティのある画像を生成できるようです。

　では、また。

（オリジナルgithub）https://github.com/CompVis/latent-diffusion

2022.4.14 colabリンクの追加

より完成度の高い画像を出力する5.7GBの重みを採用した LDM-TXT2IM を追加します。以下は文から画像の生成例です。

Latent Diffusion Model で、文から画像を生成する

1.はじめに

2.Latent Diffusion Modelとは？

3.コード

2022.4.14 colabリンクの追加

コメントを残すコメントをキャンセル

ABOUTこの記事をかいた人

NEW POSTこのライターの最新記事

Animate Anyoneで、１枚の画像から動画を生成する

SVDで静止画から動画を生成する

DiffMorpherを使って、拡散モデルでモーフィングを行う

Domo AIで、実写動画をアニメ化する

最近の投稿

最近のコメント

アーカイブ

カテゴリー

メタ情報

1.はじめに

2.Latent Diffusion Modelとは？

3.コード

2022.4.14 colabリンクの追加

コメントを残す コメントをキャンセル

RECOMMENDこちらの記事も人気です。

DifFaceで、低画質な顔画像を高画質化する

ECONで、１枚の写真から３Dモデルを推定する

MakeitTalkで、1枚の顔画像を音声から動かす

keras seq2seq でサクッと英日翻訳をやってみる

First Order Motion Model で、モナリザをトランプ…

SberSwapで、個別の学習プロセス無しでFaceSwapを実現する

FaceTalkで、音声から顔の３Dアニメーションを作成する

Animate Anyoneで、１枚の画像から動画を生成する

ABOUTこの記事をかいた人

NEW POSTこのライターの最新記事

Animate Anyoneで、１枚の画像から動画を生成する

SVDで静止画から動画を生成する

DiffMorpherを使って、拡散モデルでモーフィングを行う

Domo AIで、実写動画をアニメ化する

最近の投稿

最近のコメント

アーカイブ

カテゴリー

メタ情報

コメントを残すコメントをキャンセル