Stable Cascade | 文本到圖像

1. Stable Cascade ComfyUI 工作流程

在這個 ComfyUI 工作流程中，我們利用 Stable Cascade，一個以提示對齊和美學卓越著稱的優秀文本到圖像模型。與其他 Stable Diffusion 模型不同，Stable Cascade 採用了三階段管道（階段 A、B 和 C）架構。這種設計使得在高度有效的潛在空間中進行分層圖像壓縮，從而產生卓越的圖像質量。

2. Stable Cascade 概述

Stable Cascade 作為一個突破性的文本到圖像模型出現，利用了創新的 架構。這個模型以其更高的圖像質量、更快的速度、更低的成本和更容易的定制而著稱。

2.1. 三階段過程結構

Stable Cascade Stage A: Stable Cascade 的階段 A 利用向量量化生成對抗網絡（VQGAN）來實現圖像壓縮，壓縮比為四倍。這個階段創新地將值量化為來自學習代碼簿的 8,192 個唯一條目之一，類似於從調色板中選擇顏色。這種量化不僅在空間上將圖像壓縮為 4:1，而且通過使用離散的標記來表示圖像，大大減少了數據大小。這種方法與 Stable Diffusion 使用的浮點值形成對比，提供了一種更緊湊和高效的壓縮技術。

Stable Cascade Stage B: 進入階段 B，Stable Cascade 展示了其在圖像數據精煉方面的實力。在這裡，來自階段 A 的離散標記通過潛在擴散模型進行轉換，巧妙地結合了 IP Adapter 的原理與擴散技術，以引導創建類似的輸出圖像。階段 B 在將標記化數據轉換回豐富、詳細的浮點值方面表現出色，提升了圖像的語義質量。這一階段的設計注重效率，專注於創建完美匹配輸入的去噪潛在變量，從而使訓練過程更加流暢並減少計算需求。

Stable Cascade Stage C: 階段 C 引入了一種新穎的方法，通過向階段 B 的語義輸出添加噪聲，然後使用一系列 ConvNeXt 塊進行精細去噪。目的是精確複製語義內容，避免需要降採樣。這一階段在將語義塊轉變為連貫作品中發揮關鍵作用，階段 B 可以進一步精細化，最終生成高質量圖像。階段 C 戰略性地使用 ConvNeXt 塊，強調其高效交付頂級性能的承諾，避免了通常達到這種先進結果所需的高昂計算成本。

2.2. 為何 Stable Cascade 脫穎而出

卓越的美學質量: 評估顯示，Stable Cascade 在提供視覺上令人驚嘆的圖像方面顯著超過 Stable Diffusion XL。它實現了 SDXL 2.5 倍的美學質量，並且驚人地超過 SDXL Turbo 5.5 倍，展示了其在生成高質量視覺效果方面的卓越能力。

增強的推理速度: 得益於其創新架構，Stable Cascade 提供了一個更高效的推理過程，比其前身更有效地利用資源。具有顯著的 42 倍壓縮因子，它能將 1024x1024 圖像轉換為緊湊的 24x24 尺寸。這種效率並不影響圖像質量，而是加快了生成過程，使其成為快速生成圖像的突破性技術。

改進的提示理解: Stable Cascade 在理解和對齊用戶提示方面也表現出色，無論是簡短還是詳細的提示。人類評估表明，它在準確解釋提示方面超過了其他模型，確保生成的圖像能夠緊密匹配用戶的願景。