Diffusers 团队与 T2I-Adapter 作者为 SDXL 推出 T2I-Adapter-SDXL 适配器

T2I-Adapter 是一个高效的即插即用模型，它在冻结原始大型文本到图像模型的同时，为预训练的文本到图像模型提供额外引导。T2I-Adapter 将 T2I 模型中的内部知识与外部控制信号对齐。我们可以根据不同的条件训练各种适配器，实现丰富的控制和编辑效果。

作为同期工作，ControlNet 具有类似的功能并被广泛使用。然而，它的运行可能计算开销很大。这是因为在反向扩散过程的每个去噪步骤中，ControlNet 和 UNet 都需要运行。此外，ControlNet 强调复制 UNet 编码器作为控制模型的重要性，导致参数量更大。因此，生成过程受限于 ControlNet 的大小（越大，过程越慢）。

在这方面，T2I-Adapter 相比 ControlNet 具有竞争优势。T2I-Adapter 体积更小，并且与 ControlNet 不同，T2I-Adapter 在整个去噪过程中只需运行一次。

在过去几周里，Diffusers 团队与 T2I-Adapter 作者合作，在 diffusers 中为 Stable Diffusion XL (SDXL) 带来了对 T2I-Adapter 的支持。在这篇博文中，我们分享了从头开始在 SDXL 上训练 T2I-Adapter 的发现、一些引人注目的结果，当然还有各种条件（sketch、canny、lineart、depth 和 openpose）下的 T2I-Adapter 检查点！

与之前版本的 T2I-Adapter（SD-1.4/1.5）相比，T2I-Adapter-SDXL 仍然使用原始配方，用 79M 的 Adapter 驱动 2.6B 的 SDXL！T2I-Adapter-SDXL 在保持强大控制能力的同时，继承了 SDXL 的高质量生成！

使用 diffusers 训练 T2I-Adapter-SDXL

我们的训练脚本基于 diffusers 提供的这个官方示例构建。

我们在本篇博文中提到的大多数 T2I-Adapter 模型都是在来自 LAION-Aesthetics V2 的 3M 高分辨率图文对上训练的，设置如下：

• 训练步数：20000-35000
• 批量大小：数据并行，单 GPU 批量大小为 16，总批量大小为 128。
• 学习率：恒定学习率 1e-5。
• 混合精度：fp16

我们鼓励社区使用我们的脚本训练自定义且强大的 T2I-Adapter，在速度、内存和质量之间取得有竞争力的权衡。

在 diffusers 中使用 T2I-Adapter-SDXL

这里，我们以 lineart 条件为例来演示 T2I-Adapter-SDXL 的用法。要开始使用，首先安装所需的依赖项：

pip install -U git+https://github.com/huggingface/diffusers.git
pip install -U controlnet_aux==0.0.7 # for conditioning models and detectors
pip install transformers accelerate 

T2I-Adapter-SDXL 的生成过程主要包括以下两个步骤：

1. 首先将条件图像准备为合适的控制图像格式。
2. 将控制图像和提示词传递给 StableDiffusionXLAdapterPipeline。

让我们看一个使用 Lineart Adapter 的简单示例。我们首先初始化 SDXL 的 T2I-Adapter 管道和 lineart 检测器。

import torch
from controlnet_aux.lineart import LineartDetector
from diffusers import (AutoencoderKL, EulerAncestralDiscreteScheduler,
                       StableDiffusionXLAdapterPipeline, T2IAdapter)
from diffusers.utils import load_image, make_image_grid

# load adapter
adapter = T2IAdapter.from_pretrained(
    "TencentARC/t2i-adapter-lineart-sdxl-1.0", torch_dtype=torch.float16, varient="fp16"
).to("cuda")

# load pipeline
model_id = "stabilityai/stable-diffusion-xl-base-1.0"
euler_a = EulerAncestralDiscreteScheduler.from_pretrained(
    model_id, subfolder="scheduler"
)
vae = AutoencoderKL.from_pretrained(
    "madebyollin/sdxl-vae-fp16-fix", torch_dtype=torch.float16
)
pipe = StableDiffusionXLAdapterPipeline.from_pretrained(
    model_id,
    vae=vae,
    adapter=adapter,
    scheduler=euler_a,
    torch_dtype=torch.float16,
    variant="fp16",
).to("cuda")

# load lineart detector
line_detector = LineartDetector.from_pretrained("lllyasviel/Annotators").to("cuda")

然后，加载一张图像以检测线稿：

url = "https://huggingface.co/Adapter/t2iadapter/resolve/main/figs_SDXLV1.0/org_lin.jpg"
image = load_image(url)
image = line_detector(image, detect_resolution=384, image_resolution=1024)

然后我们生成：

prompt = "Ice dragon roar, 4k photo"
negative_prompt = "anime, cartoon, graphic, text, painting, crayon, graphite, abstract, glitch, deformed, mutated, ugly, disfigured"
gen_images = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    image=image,
    num_inference_steps=30,
    adapter_conditioning_scale=0.8,
    guidance_scale=7.5,
).images[0]
gen_images.save("out_lin.png")

有两个重要参数需要理解，它们有助于你控制条件化的程度。

1. adapter_conditioning_scale

   该参数控制条件化对输入的影响程度。值越高意味着条件化效果越强，反之亦然。

2. adapter_conditioning_factor

   该参数控制应在多少个初始生成步骤中应用条件化。该值应设置在 0-1 之间（默认值为 1）。值为 adapter_conditioning_factor=1 表示适配器应应用于所有时间步，而 adapter_conditioning_factor=0.5 表示它仅应用于前 50% 的步骤。

如需了解更多详情，欢迎查阅官方文档。

试试演示

你可以在这个 Space 中或下方嵌入的 playground 中轻松试用 T2I-Adapter-SDXL：

你还可以试试Doodly，它使用 sketch 模型构建，能将你的涂鸦变成逼真的图像（带有语言监督）：

更多结果

下面，我们展示使用不同类型条件获得的结果。我们还补充了对应预训练检查点的链接。它们的模型卡片包含有关其训练方式的更多细节，以及示例用法。

线稿引导

模型来自 TencentARC/t2i-adapter-lineart-sdxl-1.0

素描引导

模型来自 TencentARC/t2i-adapter-sketch-sdxl-1.0

Canny 引导

模型来自 TencentARC/t2i-adapter-canny-sdxl-1.0

深度引导

深度引导模型分别来自 TencentARC/t2i-adapter-depth-midas-sdxl-1.0 和 TencentARC/t2i-adapter-depth-zoe-sdxl-1.0

OpenPose 引导

模型来自 TencentARC/t2i-adapter-openpose-sdxl-1.0

致谢：非常感谢 William Berman 帮助我们训练模型并分享他的见解。