画像生成AI Stable Diffusionで遊ぶ

7月にDALL-E2Midjourneyが公開されて以降、画像生成AIの話題が尽きない。
ほんの2,3ヶ月の間に、文章から画像を生成するtext to imageの新しい研究やサービス・ツールへの移植が毎日のように次々と公開されている。
https://note.com/yamkaz/m/mad0bd7dabc99

オイラも8月にMidjourneyを無料枠で試してみた↓



Stability.Aitext to image手法の1つであるStable Diffusionオープンソースで公開したことで、text to imageが色んなサービスやツールに組み込まれて一気に手軽に試せるようになった。
https://huggingface.co/CompVis/stable-diffusion-v1-4
https://github.com/CompVis/stable-diffusion



text to imageを利用できる有料サービスに課金しても良いけど、今はかなり円安なのでできれば自分のPCローカルでtext to image動かして好き放題遊びたい。そこそこ良いスペックのPCはあるので。


NVIDIA GeForce RTX 3080を購入
7月にデスクトップPCを新調したけど、グラフィックスボードだけは新製品が出るのを待っていた。NVIDIAのGeForce RTX 30シリーズが9月に発表され、発売と同時にGIGABYTE GV-N3080GAMING OC-10GDを注文...


少し調べてみると、今のところ最も手軽にtext to imageをローカルで試せるのはStable DiffusionをGUIで包んだこちらのアプリケーション↓

Stable Diffusion GRisk GUI


Stable Diffusionのモデルを実行するためのインターフェイスです。つまり、テキストのpromptを入力するとそれに対応した画像が返ってきます。

これは超アルファ版であるため、多くのバグがある可能性があります。Stable Diffusion GRisk GUI.exeを実行するだけで使用できます。
生成する画像の解像度設定は64の倍数(64, 128, 192, 256など)である必要があり、512×512解像度が最も良い生成結果を得られます。

重要事項:

  • 一部のGTX 1660カードでは、Use Half-Precisionで実行すると問題が発生すると判明しています。(現時点でGUIではこのオプションにしか対応していません)
  • Samples per promptはまだ機能しておらず、promptごとに常に1つの画像が生成されます。同じpromptを複数行繰り返せばSamples per promptと同等の効果を得られます。
  • 512X512で良好な結果を得られますが、他の解像度は品質に影響を与える可能性があります。
  • Step数を多くするとより品質が向上します。Step数を増やしてもメモリ消費量は増えず、処理時間が長くなります。
  • 150 Step以下から始めると良いでしょう。
  • .exeの起動時に以下のエラーが表示されてもアプリは引き続き動作します。


torchvision\io\image.py:13: UserWarning: Failed to load image Python extension:

torch\_jit_internal.py:751: UserWarning: Unable to retrieve source for @torch.jit._overload function: .

warnings.warn(f"Unable to retrieve source for @torch.jit._overload function: {func}.")

torch\_jit_internal.py:751: UserWarning: Unable to retrieve source for @torch.jit._overload function: .

warnings.warn(f"Unable to retrieve source for @torch.jit._overload function: {func}.")

オイラの環境だと640×640解像度まではエラー無く動作したけど、推奨解像度の512×512の方が生成品質は良くなるらしいです。
https://note.com/abubu_nounanka/n/n496a98677201

追記:もっとリッチなGUIアプリがあった↓

NMKD Stable Diffusion GUI


https://github.com/n00mkrad/text2image-gui
https://pajoca.com/stable-diffusion-gui-nmkd/
https://pajoca.com/stable-diffusion-gui-img2img/



promptとパラメータを色々工夫して好みの画像生成を模索してみた結果↓





























ハイスペックなPCを持っていれば、パソコンを起点とした遊びは充実するね。

もはやGANの時代ではないらしい。Stable Diffusionの仕組みについてちゃんと勉強したいなぁ。
https://ja.stateofaiguides.com/20221012-stable-diffusion/

追記:Stable Diffusionをスマホローカルで動作させた例もチラホラ


関連記事

Google製オープンソース機械学習ライブラリ『TensorFlow』のWindows版が公開された

Texturing & Modeling A Procedural ApproachをGoo...

パルクール(Parkour)

Leap MotionでMaya上のオブジェクトを操作できるプラグイン

CEDEC 3日目

PythonでMayaのShapeノードプラグインを作る

OpenCV

Point Cloud Consortiumのセミナー「3D点群の未来」に行ってきたよ

『スター・ウォーズ フォースの覚醒』のVFXブレイクダウン まとめ

OpenCV 3.3.0 contribのsfmモジュールのサンプルを動かしてみる

顔のモデリング

ZBrushでアヴァン・ガメラを作ってみる 口のバランス調整

統計学に入門したい

iOSで使えるJetpac社の物体認識SDK『DeepBelief』

コンピュータビジョンの技術マップ

ガメラ生誕50周年

Physically Based Rendering

GeoGebra:無料で使える数学アプリ

ManimML:機械学習の概念を視覚的に説明するためのライブラリ

株式会社ヘキサドライブの研究室ページ

ラクガキの立体化 分割ラインの変更・バランス調整

Arduinoで人感センサーを使う

オープンソースの物理ベースレンダラ『Mitsuba』をMayaで使う

布地のシワの法則性

Kaolin:3Dディープラーニング用のPyTorchライブラリ

最高にカッコイイガラス細工

HTML5・WebGLベースのグラフィックスエンジン『Goo Engine』

ZBrushでアヴァン・ガメラを作ってみる

ドラマ『ファースト・クラス』第2弾 10月から放送

『スター・ウォーズ/スカイウォーカーの夜明け』のVFXブレイクダウン

ドラマ『ファースト・クラス』のパラレルショートド­ラマ『ファースト・クラス・ガールズ』

ゴジラの造形

ZBrushで仮面ライダー3号を造る 仮面編 リファレンス画像の表示

物理ベースレンダリングのためのマテリアル設定チートシート

リメイク版ロボコップスーツのメイキング

DCGAN (Deep Convolutional GAN):畳み込みニューラルネットワークによる敵...

OpenCVの顔検出過程を可視化した動画

日立のフルパララックス立体ディスプレイ

MeshroomでPhotogrammetry

ZBrushでアヴァン・ガメラを作ってみる 壊れたデータの救出

ドラマ『ファーストクラス』のモーショングラフィックス

Unite 2014の動画

コメント