Stable Diffusion é un modelo de aprendizaxe automática de texto a imaxe publicado no 2022. Desenvolvido por StabilityAI, en colaboración con EleutherAI e LAION , para xerar imaxes dixitais a partir de descricións en linguaxe natural introducidas polo usuario. O modelo tamén se pode usar para outras tarefas, como xerar traducións de imaxe a imaxe guiadas por unha solicitude de texto.
Pode funcionar na maioría do hardware de consumo equipado cunha GPU modesta e PC World aclamaba como "a próxima killer app (aplicación asasina) para o teu PC".
Licenza A diferenza de modelos da competencia como DALL-E, Stable Diffusion fai que o seu código fonte estea dispoñible. A súa licenza prohibe certos casos de uso prexudicial. Os críticos expresaron preocupacións sobre a ética da IA, afirmando que o modelo pode usarse para crear deepfakes e tamén cuestionaron a legalidade de xerar imaxes cun modelo adestrado nun conxunto de datos que contén contido protexido por dereitos de autor sen o consentimento dos artistas orixinais.
Adestramento Stable Diffusion adestrouse nun subconxunto do conxunto de datos LAION-Aesthetics V2. Adestrouse usando 256 GPU Nvidia A100 cun custo de 600.000 dólares.
Nos primeiros meses as imaxes dun astronauta montando un cabalo foron moi icónicas, xa que o software non entendía os prompts (enunciados) de "un cabalo montado a un astronauta", e sempre o interpretaba como a imaxe máis obvia (o astronauta montando ao cabalo).
Notas
Véxase tamén
Craiyon (DALL-E mini) DALL-E Imagen (Google Brain) Intelixencia artificial Midjourney Text-to-image Imaxes xeradas por ordenador
Ligazóns externas
Stable Diffusion en Reddit Demostración de Stable Diffusion Categoría:Software libre Categoría:Aprendizaxe profunda Categoría:Aplicacións informáticas