稳定扩散（Stable Diffusion） 是一种 AI 模型，用于根据文本提示生成图像。 使用 ONNX 运行时，可以快速开始使用你喜欢的 .NET 技术（如 C# 和 Visual Studio）在本地生成 AI 图像！

推荐：用 NSDT设计器 快速搭建可编程3D场景。

1、什么是 ONNX 运行时？

开放神经网络交换 (ONNX) 是一种表示 AI 模型的开源格式。 ONNX 运行时 (ORT) 是 ONNX 模型的运行时，它提供了一个接口，用于加速机器学习模型的消费/推理，与特定于硬件的库集成，以及跨编程语言和框架（如 PyTorch、Tensorflow/Keras、scikit）共享模型 -learn、ML.NET 等。

这意味着你可以：

• 在众多支持 ONNX 转换的流行机器学习框架之一中训练模型。
• 将你的模型转换为 ONNX 格式。
• 使用不同于最初训练模型的框架或语言（如 C#）加载和使用 ONNX 模型。

2、什么是Stable Diffusion？

Stable Diffusion 是一种 AI 模型，可以根据文本提示生成图像。

3、Stable Diffusion工作原理

尽管稳定扩散背后的理论和创新可能很复杂，但它由相对较少的组件组成。

Stable Diffusion 的主要组成部分是：

• 文本编码器——将文本编码为嵌入。 本文中引用的示例结合使用了 OpenAI 的对比语言-图像预训练 (CLIP) 和 ONNX 模型的 ONNX 运行时扩展实现。
• 变分自编码器 (VAE) – 将图像编码和解码为嵌入。
• U-Net——通常用于图像分割任务的神经网络架构。
• Scheduler——计算去噪图像嵌入。 本文中引用的示例使用线性多步 (LMS) 离散调度程序的 C# 实现。

有关稳定扩散的更多详细信息，请参阅原始论文 High-Resolution Image Synthesis with Latent Diffusion Models。

在高层次上，使用稳定扩散生成图像的过程包括 3 个步骤：

• 将文本提示和随机噪声编码为文本和图像嵌入。
• 使用 U-Net 神经网络和调度程序来减少图像中的噪声（降噪）。
• 解码去噪图像。

4、生成文本和图像嵌入

使用 Stable Diffusion 生成 AI 图像的第一步是：

• 生成带有随机噪声的图像样本和嵌入。
• 使用 ONNX 运行时扩展 CLIP 文本标记器和 CLIP 嵌入 ONNX 模型将用户提示转换为文本嵌入。

嵌入是文本、图像、音频等信息的数字表示。这种数字表示包含语义。 在稳定扩散的情况下，文本和图像被编码到一个嵌入空间中，作为去噪过程的一部分，U-Net 神经网络可以理解该嵌入空间。

OpenAI 的 CLIP 文本分词器是用 Python 编写的。 ONNX Runtime 没有使用 C# 重新实现它，而是使用 ONNX Runtime Extensions 创建了一个跨平台实现。 ONNX Runtime Extensions 是一个库，它通过为视觉、文本和 NLP 模型提供通用的预处理和后处理运算符来扩展 ONNX 模型的功能并使用 ONNX Runtime 进行推理。

请注意，对于训练，你还需要使用 VAE 对训练期间使用的图像进行编码。 本文中引用的示例仅用于推理，因此不需要使用 VAE。

此代码示例显示了对输入文本提示进行标记化和编码的一般过程。 为简洁起见，省略了一些代码。

var prompt = "a fireplace in an old cabin in the woods"; //... var textTokenized = TextProcessing.TokenizeText(prompt); var textPromptEmbeddings = TextProcessing.TextEncoder(textTokenized).ToArray();

5、去噪图像循环

图像和文本嵌入是 U-Net 模型的初始输入。 U-Net 模型然后使用文本提示作为条件来降低图像中的噪声（去噪）。

然后使用调度程序算法，使用 U-Net 模型的输出来计算新的图像嵌入。 然后将这些新图像嵌入用作 U-Net 模型的新输入。

这个去噪过程重复 N 步。

此代码示例显示了当文本和图像嵌入通过 U-Net 运行并由调度程序去噪时发生的一般过程。 为简洁起见，省略了一些代码。

//... var scheduler = new LMSDiscreteScheduler(); //... var timesteps = scheduler.SetTimesteps(numInferenceSteps); //... var seed = new Random().Next(); var latents = GenerateLatentSample(batchSize, height, width, seed, scheduler.InitNoiseSigma); //... var unetSession = new InferenceSession(modelPath, options); var input = new List<NamedOnnxValue>(); //... for (int t = 0; t < timesteps.Length; t++) {     //...     var latentModelInput = TensorHelper.Duplicate(latents.ToArray(), new[] { 2, 4, height / 8, width / 8 });     //...     latentModelInput = scheduler.ScaleInput(latentModelInput, timesteps[t]);     //...     input = CreateUnetModelInput(textEmbeddings, latentModelInput, timesteps[t]);     var output = unetSession.Run(input);     //...     noisePred = performGuidance(noisePred, noisePredText, guidanceScale);     //...     latents = scheduler.Step(noisePred, timesteps[t], latents); }

6、解码去噪图像

在图像去噪循环完成后，VAE 用于将最终图像嵌入解码回图像。

此代码示例显示了使用 VAE 将最终去噪输出解码为图像的一般过程。 为简洁起见，省略了一些代码。

var decoderInput = new List<NamedOnnxValue> { NamedOnnxValue.CreateFromTensor("latent_sample", latents) }; var imageResultTensor = VaeDecoder.Decoder(decoderInput); var image = VaeDecoder.ConvertToImage(imageResultTensor);

7、结束语

现在你已经大致了解了 Stable Diffusion 的工作原理，是时候发挥你的创造力了！

要开始使用 AI 在你的 .NET 应用程序中生成自己的图像，请查看使用 C# 和 ONNX 运行时的推理稳定扩散教程和相应的 GitHub 存储库。

原文链接：http://www.bimant.com/blog/stable-diffusion-app-dev-with-csharp/