AI图像免费生成!Stable Diffusion初学者强烈推荐!

yizhihongxing
stable diffusion创作的建筑

什么是图像生成AI?

图像生成AI,通俗点也叫AI绘画,指的是AI根据用户输入的文字在几秒到几十秒内自动生成原始图像的系统。目前,全球最火爆的图像生成AI有“Stable Diffusion”和“ Midjourney ”,它们已经作为颠覆设计界常识的存在而受到广泛关注。

对于那些无法自己随意创建图像的用户和每月付费从图像素材网站下载高质量图像的用户来说,使用AI绘画是一个非常大的优势。另一面,它也被认为是对创作图像和绘画的创作者以及拍摄风景和人物的摄影师构成了威胁,并将对未来的数字创意产生重大影响。

此外,围绕图像生成AI的版权问题也成为热门话题。 一般来说,AI所创建的图像的版权属于“生成图像的用户本人”,但AI是否在其他创作人的作品上汲取“灵感”,导致侵犯原创者的版权的问题,也一直争论不休。此前AI插画师应用“mimic”在提供服务仅一天后就因版权声讨被迫停止服务,可以看到,AI绘画已经威胁到了创作者的领域。

但有一点可以确定的是,技术创新的步伐不会因此停止。事实上,广泛使用的Stable Diffusion和Midjourney都是使用提示文本(prompt)生成图像,并且由于从用户输入的字符串生成广泛图像的性质,因此在上面指出了“模仿”可以说已经避免了版权问题。

而且不仅是Stable Diffusion,许多图像生成AI都以“输入字符串越长”和“单词数量越多”来生成更接近用户图像的图像。在这种情况下,出现了一种名为“提示工程”的工作,专门制作和研究“让图像生成AI创建高质量图像的提示(戏称为咒语)”。

什么是“Stable Diffusion”?

AI图像免费生成!Stable Diffusion初学者强烈推荐!

Stable Diffusion是一款图像生成AI,配备了“预先训练的AI模型(Diffusion Model)”,可根据“输入文本”生成图像。您可以通过输入以英文单词分隔的单词来创建各种图像,比如一座高楼林立的城市。

Stable Diffusion创建的图像是由系统中安装的称为“潜在扩散模型”的算法生成的。由于用户使用安装了潜在扩散模型作为训练模型的系统,因此他们只需通过文本输入操作即可执行各种任务,而无需了解算法,甚至在 Google Colaboratory 等环境中编写程序代码,就可以生成图像。

用户执行的基本操作是“只需在提供Stable Diffusion的每个界面中输入文本”。每个界面都有除文本之外的详细自定义选项,但图像生成大部分依赖于“输入文本(提示)”。因此,“擅长写英文的用户”很可能能够生成更准确、高质量的图像,而Stable Diffusion将能够生成接近他们想象的图像。

使用Stable Diffusion的两种方法

正如前面提到的,Stable Diffusion 是一个配备了潜在扩散模型和开源 AI 的系统,因此它可以在构建在网络上的环境中运行,也可以在本地环境中独立运行:

  • 借助一些免费的服务平台,在浏览器中直接使用Stable Diffusion生成图像
  • 在您自己的电脑环境中安装Stable Diffusion生成图像(对电脑配置有一定要求)

本文主要演示借助服务平台运行Stable Diffusion生成图像,如果你想在本地电脑搭建Stable Diffusion可以参阅此文章

提供Stable Diffusion的三个Web服务

如果你只是想先了解了解 Stable Diffusion 是什么,或者你电脑配置较低,想找免费的云端GPU生成AI图像,那么强烈推荐你使用 Web 应用程序上发布的三个服务进行部署和使用(可能需要科学上网,科学上网问题推荐阅读此文章),这三个网站是(以下内容给个评论一键解锁吧):

点击跳转到原文查看

本文转载自https://civitai.online/134593.html,本文观点不代表Python技术站立场。

(2)
上一篇 2023年7月15日 上午8:13
下一篇 2023年7月25日 上午8:25

相关文章

  • 机器学习作业(四)神经网络参数的拟合——Python(numpy)实现

    题目下载【传送门】 题目简述:识别图片中的数字,训练该模型,求参数θ。 出现了一个问题:虽然训练的模型能够有很好的预测准确率,但是使用minimize函数时候始终无法成功,无论设计的迭代次数有多大,如下图:   1 import numpy as np 2 import scipy.io as scio 3 import matplotlib.pyplot …

    机器学习 2023年4月10日
    00
  • Paper:基于图卷积神经网络(Graph Convolutional Networks GCN)的半监督分类

    本文为“SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS”, 作者ThomasN.Kipf。 本文是基于谱的图卷积网络用来解决半监督学习的分类问题,输入为图的邻接矩阵A,和每一个节点的特征向量H 本问对应的代码为 https://github.com/tkipf/gcn. 半监督…

    2023年4月8日
    00
  • tf.keras自定义损失函数

    自定义损失函数 In statistics, the Huber loss is a loss function used in robust regression, that is less sensitive to outliers in data than the squared error loss. A variant for classifica…

    2023年4月8日
    00
  • 时空序列预测模型之PredRNN(用ST-LSTM的预测学习循环神经网络)

    前言 接下来保持住节奏,每周起码一篇paper reading,要时刻了解研究的前沿,是一个不管是工程岗位还是研究岗位AIer必备的工作,共勉! 一、Address 这是nips2017年的一篇paper,来自于清华的团队  PredRNN: Recurrent Neural Networks for Predictive Learning using Sp…

    2023年4月8日
    00
  • 姿态估计openpose_pytorch_code浅析(待补充)

    接上文,经过了openpose的原理简单的解析,这一节我们主要进行code的解析。 CODE解析我们主要参考的代码是https://github.com/tensorboy/pytorch_Realtime_Multi-Person_Pose_Estimation,代码写的很好,我们主要看的是demo/picture_demo.py首先我们看下效果,作图表示…

    2023年4月8日
    00
  • keras_8_优化器 Optimizers

    1. 优化器的使用 优化器(optimizer)是编译Keras模型的所需的两个参数之一: from keras import optimizers model = Sequential() model.add(Dense(64, kernel_initializer=’uniform’, input_shape=(10,))) model.add(Acti…

    Keras 2023年4月8日
    00
  • 基于scikit-learn包实现机器学习之KNN(K近邻)-完整示例

                  基于scikit-learn包实现机器学习之KNN(K近邻) scikit-learn(简称sklearn)是目前最受欢迎,也是功能最强大的一个用于机器学习的Python库件。它广泛地支持各种分类、聚类以及回归分析方法比如支持向量机、随机森林、DBSCAN等等,由于其强大的功能、优异的拓展性以及易用性,目前受到了很多数据科学从业者…

    机器学习 2023年4月11日
    00
  • 【机器学习】异常检测算法(I)

    在给定的数据集,我们假设数据是正常的 ,现在需要知道新给的数据Xtest中不属于该组数据的几率p(X)。 异常检测主要用来识别欺骗,例如通过之前的数据来识别新一次的数据是否存在异常,比如根据一个用户以前的使用习惯(数据)来判断这次使用的用户是不是以前的用户。或者根据之前CPU正常运行时候的的用量数据来判断当前状态下的CPU是否正常工作。 这里我们通过密度估计…

    机器学习 2023年4月10日
    00
合作推广
合作推广
分享本页
返回顶部