tjm35/stable-diffusion-webui-dumpunet

English ver.

Dump U-Net

目次

• Dump U-Net
  • 目次
  • これは何
  • できること
  • 特徴量の抽出
    • U-Net の特徴量画像
      • 画面説明
      • Colorization
      • Dump Setting
      • 抽出画像の例
    • アテンション層の特徴量抽出
      • 画面説明
      • 例
  • ブロックごとのプロンプトの変更
    • 概要
    • 画面説明
    • 記法
    • 例
    • Dynamic Prompts との併用
  • TODO

これは何

U-Net の特徴量を可視化するための stable-diffusion-webui の拡張です。

できること

1. モデルの途中出力の可視化：U-Net の各ブロックおよびアテンション層の特徴量を可視化する。
2. 層別プロンプト：U-Net の各ブロックでプロンプトを変更しながら画像を生成する。
3. 2.でプロンプトを変更したときの U-Net の特徴量の差分を可視化する。

特徴量の抽出

例として以下の画像を使用する。

Model: waifu-diffusion-v1-3-float16 (84692140)
Prompt: a cute girl, pink hair
Sampling steps: 20
Sampling Method: DPM++ 2M Karras
Size: 512x512
CFG Scale: 7
Seed: 1719471015

U-Net の特徴量画像

たとえば以下のような画像を生成する。

グレースケール出力 OUT11, steps 20, Black/White, Sigmoid(1,0)

カラー出力 OUT11, steps 20, Custom, Sigmoid(1,0), H=(2+v)/3, S=1.0, V=0.5

画面説明

Extract U-Net features

チェックすると U-Net の特徴量抽出が有効になる。

Layers

抽出対象のブロックを指定する。コンマ区切り、ハイフン区切りが使える。IN11-M00-OUT00は繋がっている。

Image saving steps

抽出対象のステップを指定する。

Colorization

出力画像の色を指定する。

Dump Setting

特徴量のバイナリを出力する設定を行う。

Selected Layer Info

Layers で指定したブロックの詳細が出力される。

抽出するブロックの指定方法：

単体指定： IN00
    IN00 から IN11、M00、OUT00 から OUT11 が使える。
複数指定： IN00, IN01, M00
    コンマ `,` で区切って複数のブロックを指定できる。
範囲指定： IN00-OUT11
    ハイフン `-` で区切って範囲を指定できる。
    両端は範囲に含まれる。
    IN11, M00, OUT00 は繋がっている。
範囲指定（ステップ付き）： IN00-OUT11(+2)
    範囲指定の後に `(+数字)` と書くとステップを表す。
    +1 と書くと通常の範囲指定と同じ。
    +2 と書くと一つ飛ばしで指定したことになる。
    例えば上記の例は
    IN00, IN02, IN04, IN06, IN08, IN10,
    M00,
    OUT01, OUT03, OUT05, OUT07, OUT09, OUT11
    を指定したことになる。

Colorization

Colorize method

色付けの方法を指定する。
White/Black は特徴量を v として、|v| が大きいピクセルを白、小さいピクセルを黒で表示する。
Red/Blue は v が大きいピクセルを赤、小さいピクセルを青で表示する。
Custom は v の値から RGB もしくは HSL 色空間の値を自由に計算する。

Value transform

特徴量の値は必ずしもそのまま色の指定に使える大きさではない。そのときにピクセル値へ変換するときの変換方法を指定する。
Auto [0,1] は与えられた特徴量の最小値と最大値を使って値を [0,1] に線型変換する。
Auto [-1,1] は同じく [-1,1] に線型変換する。
Linear は Clamp min./max. を指定して、その範囲を Colorize method が White/Black のとき [0,1] に、それ以外のとき [-1,1] に線型変換する。

Sigmoid は gain と offset を指定して、v + offset をシグモイド関数で変換する。出力は Colorize method が White/Black のとき [0,1] に、それ以外のとき [-1,1] になる。

Color space

Value transform で変換した値 v をピクセル値に変換するコードを書く。v の範囲は Colorize method および Value transform の指定により [0,1] もしくは [-1,1] で与えられる。計算結果は [0,1] でクリップされる。
コードは numpy をグローバル環境として実行される。たとえば、abs(v) は numpy.abs(v) の意味になる。

Dump Setting

Dump feature tensors to files

チェックすると U-Net の特徴量をファイルとして書き出す。

Output path

バイナリを出力するディレクトリを指定する。存在しなければ作成される。

抽出画像の例

左から順に、steps=1,5,10 の画像。

• IN00 (64x64, 320ch)

• IN05 (32x32, 640ch)

• M00 (8x8, 1280ch)

• OUT06 (32x32, 640ch)

• OUT11 (64x64, 320ch)

アテンション層の特徴量抽出

画面説明

ほぼ U-Net の特徴量画像 と同じ。

例

横軸がトークン位置を表す。最初に開始トークン、最後に終了トークンが挿入されているので、間の75枚の画像が各トークンの影響を表す。

縦軸はアテンション層のヘッド。今のモデルでは h=8 なので画像が8つ並ぶことになる。

「pink hair はこの層に効いてるのかな？」みたいなことが分かる。

• IN01

• M00

• OUT10

ブロックごとのプロンプトの変更

概要

内容は以下の記事を参照。

Stable DiffusionのU-Netでブロックごとに異なるプロンプトを与えて画像生成する（ブロック別プロンプト）

Model: waifu-diffusion-v1-3-float16 (84692140)
Prompt: a (~: IN00-OUT11: cute; M00: excellent :~) girl
Sampling Method: Euler a
Size: 512x512
CFG Scale: 7
Seed: 3292581281

上の画像は順番に、

• a cute girl で生成した画像
• IN00 のみ cute を excellent に変更して生成した画像
• IN05 のみ cute を excellent に変更して生成した画像
• M00 のみ cute を excellent に変更して生成した画像

となっている。

画面説明

ほぼ U-Net の特徴量画像 と同じ。

Output difference map of U-Net features between with and without Layer Prompt

ブロックごとのプロンプトが有効の時と無効の時の U-Net の特徴量を比較して差分画像を出力する。

記法

プロンプト中で次に示す特殊な記法を用いることで、ブロックごとのプロンプトを指定できる。

a (~: IN00-OUT11: cute ; M00: excellent :~) girl

この場合、IN00～OUT11 まで（つまり全体）で

a  cute  girl

が使われるが、M00 のみ

a  excellent  girl

が使われることになる。

指定は (~: から :~) までの間で行う。書式は以下の通り。

(~:
    ブロック指定:プロンプト;
    ブロック指定:プロンプト;
    ...
    ブロック指定:プロンプト;
:~)

(~: の後、:~) の前、: の前、; の後は空白を入れてもいい。ただし :プロンプト; の部分の空白はそのまま結果に反映されるので注意。一番最後のプロンプトの後のセミコロンは無くてもいい。

ブロック指定は以下のように行う。おおむね X/Y plot と同じ。なお、範囲が重なっている場合は後に指定したものが優先される。

単体指定： IN00
    IN00 から IN11、M00、OUT00 から OUT11 が使える。
複数指定： IN00, IN01, M00
    コンマ `,` で区切って複数のブロックを指定できる。
範囲指定： IN00-OUT11
    ハイフン `-` で区切って範囲を指定できる。
    両端は範囲に含まれる。
    IN11, M00, OUT00 は繋がっている。
範囲指定（ステップ付き）： IN00-OUT11(+2)
    範囲指定の後に `(+数字)` と書くとステップを表す。
    +1 と書くと通常の範囲指定と同じ。
    +2 と書くと一つ飛ばしで指定したことになる。
    例えば上記の例は
    IN00, IN02, IN04, IN06, IN08, IN10,
    M00,
    OUT01, OUT03, OUT05, OUT07, OUT09, OUT11
    を指定したことになる。
その他全て: _ （アンダーバー）
    これは特殊な記号で、優先度は最も低い。
    他のどのブロックにも当てはまらなかった場合、ここで指定したプロンプトが使われる。

例

いくつか例を挙げる。

1: (~: IN00: A ; IN01: B :~)
2: (~: IN00: A ; IN01: B ; IN02: C :~)
3: (~: IN00: A ; IN01: B ; IN02: C ; _ : D :~)
4: (~: IN00,IN01: A ; M00 : B :~)
5: (~: IN00-OUT11: A ; M00 : B :~)

1: IN00でAを、IN01でBを使う。他のブロックでは何も無し。

2: IN00でAを、IN01でBを、IN02でCを使う。他のブロックでは何も無し。

3: IN00でAを、IN01でBを、IN02でCを使う。他のブロックではDを使う。

4: IN00とIN01でAを、M00でBを使う。他のブロックでは何も無し。

5: IN00からOUT11まで（つまり全体）でAを使う。ただしM00ではBを使う。

Dynamic Prompts との併用

検証には Dynamic Prompts との併用が便利。

たとえば1ブロックでのみプロンプトを変更した際の影響を見たい場合、Dynamic Prompts の Jinja Template を有効にして

{% for layer in [ "IN00", "IN01", "IN02", "IN03", "IN04", "IN05", "IN06", "IN07", "IN08", "IN09", "IN10", "IN11", "M00", "OUT00", "OUT01", "OUT02", "OUT03", "OUT04", "OUT05", "OUT06", "OUT07", "OUT08", "OUT09", "OUT10", "OUT11" ] %}
  {% prompt %}a cute school girl, pink hair, wide shot, (~:{{layer}}:bad anatomy:~){% endprompt %}
{% endfor %}

と指定すると、各ブロックでの「bad anatomy」の効果を調べる……といったことができる。

実際の例：ブロック別プロンプトで特定の1ブロックにプロンプトを追加してみるテスト

TODO

• セルフアテンション層の可視化