Stable Diffusion nedir? Herkesin üstüne inşa ettiği açık model

Bir diffusion modeli, resimlerin nasıl bozulduğunu izleyerek öğrenir. Bir fotoğraf alın, biraz gürültü ekleyin, sonra biraz daha, yalnızca kar kalana dek sürdürün ve bir ağın her adımda çıkarılanı tahmin etmesini öğretin. Ağı saf gürültüden geriye doğru çalıştırdığınızda, hiç var olmamış bir resmi boyar.

Bunu tam çözünürlükte yapmak çok pahalıdır; çünkü her adım her piksel üzerinde çalışır. Latent numarası, görüntüyü önce yapıyı koruyan ama tek tek pikselleri atan çok daha küçük bir temsile sıkıştırmak, tüm gürültülü süreci o küçük uzayda yürütmek ve gerçek görüntüye yalnızca en sonda geri çevirmektir.

Bu tek karar, her şeyin sıradan insanlara ulaşmasının sebebidir. Üretim maliyetini kabaca on kat düşürdü ve görsel oluşturmayı kiralık bir küme yerine birinin zaten sahip olabileceği donanıma getirdi.

Stability, yalnızca bir uygulama arayüzü yerine model dosyalarının kendisini yayımladı. En uzun vadeli sonucu olan olgu budur ve bugün çıktılar her yerdeyken bunu küçümsemek kolaydır.

Herkes modeli inceleyip değiştirebildiği için, temel modelin eksik bıraktığı kontrol katmanı inşa edildi. LoRA’lar, tüm modeli yeniden eğitmeden küçük bir ek dosyayla belirli bir stil veya özneyi öğretmeyi mümkün kıldı. ControlNet, üretimi bir poz iskeletine, derinlik haritasına veya kenar çizimine bağlayarak kompozisyonu sabitlemeyi sağladı. Topluluk checkpoints’leri, temel modeli illüstrasyon, fotoğraf, mimari ve daha niceleri için uzmanlaştırdı.

O dönemden çıkan kelime haznesi bugün görsel üretimi anlatma biçimimizdir — seed, sampler, denoise gücü, CFG, inpainting. Bu sözcükler, açabildikleri bir modeli okuyup yeniden yazan açık bir topluluk sayesinde yayıldı; bu sitedeki sözlüğün dili de bu yüzden böyledir.

Eskisinden daha iyi ve hâlâ gündelik değil. Tek tıkla kurulumlar var; gerçek karmaşıklıkta düğüm tabanlı arayüzler de var. “Bir görüntü ürettim” ile “İstediğim görüntüyü aldım” arasındaki mesafe vakti yer.

Ödül, barındırılan ürünlerin sunmadığı kontroldür: tam seed tekrarlanabilirliği, keyfi çözünürlükler, istediğiniz checkpoint veya LoRA, sizle çıktı arasına giren içerik hattının olmaması, donanım sonrası görüntü başına maliyetin kalkması ve makinenizden hiçbir şeyin çıkmaması.

Bedel ise küçük bir altyapı işletiyor olmanızdır. Model dosyaları her biri birkaç gigabayta varır, eklentiler birbirini bozar ve yeterli belleğe sahip bir ekran kartı giriş biletidir. Görüntü isteyenler çoğu kez barındırılan modeli sever; süreç isteyenler kalanlardır.

Ham çıktı kalitesinde artık kendiliğinden en güçlü seçenek değildir ve FLUX da dahil olmak üzere birkaç yeni model — kısmen Stable Diffusion üzerinde çalışmış kişilerce geliştirilmiştir — prompt’ları daha harfiyen izler ve okunur metin çizer.

Korumaya devam ettiği şey ise ekosistemdir. Eski sürümler etrafında biriken topluluk checkpoints’lerinin, stil adaptörlerinin ve kontrol araçlarının hacmi, yeni bir modelin çabucak edineceği bir şey değildir; belirli bir stili çoğaltması gereken veya hattı zaten kurulmuş olan herkes için bu envanter, genel kalite farkını gölgede bırakır.

Ardışık sürümler, erken yayımlara kıyasla giderek daha şartlı lisanslarla geldi; bu yüzden niyetlenen kullanımınıza karşı sürümün lisansını kontrol etmek gerekir. “Açık ağırlıklar” ile “her şeye serbest” bir süredir aynı cümle değildir.

Buradaki teknik sayfaların neredeyse tümü, bu modelin popülerleştirdiği terimleri kullanır. Denoise gücü, image-to-image sonucunun girdiden ne kadar uzaklaşacağını belirler. Bir seed, üretimi tekrarlanabilir yapar. Inpainting, maske içinde düzenleme yapar ve kalanına dokunmaz. Hangi modeli kullanırsanız kullanın, bu kavramlar geçerlidir.

İşte bu yüzden, hiç kurmasanız bile Stable Diffusion’ı anlamanın dürüst gerekçesi vardır: Arayüzü dile sızan model odur. Bir kez öğrenin; diğer tüm araçları okumak kolaylaşır.