---
title: redshift-diffusion
canonical_url: "https://www.modelscope.cn/models/dienstag/redshift-diffusion"
md_url: "https://www.modelscope.cn/models/dienstag/redshift-diffusion.md"
repository: dienstag/redshift-diffusion
chinese_name: "Redshift渲染器风格-扩散生成模型"
last_updated: 2023-02-15
license: creativeml-openrail-m
pipeline_tag: text-to-image-synthesis
tasks:
  - text-to-image-synthesis
library_name:
  - pytorch
frameworks:
  - pytorch
downloads: 252
stars: 13
tags:
  - "text2image generation"
  - "stablediffusion model"
  - "stable diffusion"
  - "文到图"
  - "文生图"
  - "生成"
  - "图片生成"
  - "生成图片"
  - "ai作画"
  - "作画ai"
  - "作画"
---

# redshift-diffusion

> redshift-diffusion - dienstag 在 ModelScope 开源的模型。本模型自 Stable Diffusion 在高分辨率3D艺术图像数据集上微调而来。在 prompt 中加入 redshift style 可以在生成图像中实现该效果。

dienstag/redshift-diffusion 是 ModelScope 魔搭社区上的text-to-image-synthesis模型，采用 creativeml-openrail-m 许可。

- **Repository**: dienstag/redshift-diffusion
- **License**: creativeml-openrail-m
- **Tasks**: text-to-image-synthesis
- **Tags**: text2image generation, stablediffusion model, stable diffusion, 文到图, 文生图, 生成, 图片生成, 生成图片, ai作画, 作画ai, 作画
- **Downloads**: 252
- **Stars**: 13
- **Last updated**: 2023-02-15

Source: https://www.modelscope.cn/models/dienstag/redshift-diffusion

---

# **Redshift Diffusion**

本模型自 Stable Diffusion 在高分辨率3D艺术图像数据集上微调而来。在 prompt 中加入 `redshift style` 可以在生成图像中实现该效果。

**模型名字来源**：我使用Cinema4D作为我的首选建模软件已经有很长一段时间了，并且一直喜欢它所带来的resshift渲染。这就是为什么我看到基础SD模型在使用redshift token生成的糟糕结果时非常难过。这是我为解决这个问题所做的尝试，也显示了我对这个渲染引擎的热情。

**一些生成效果图：**

![](images/redshift-diffusion-samples-01s.jpg)

![](images/redshift-diffusion-samples-02s.jpg)



**Tony Stark 的prompt与设置：**

**(redshift style) robert downey jr as ironman Negative prompt: glasses helmet**

*Steps: 40, Sampler: DPM2 Karras, CFG scale: 7, Seed: 908018284, Size: 512x704*



**Ford Mustang 的prompt与设置：**

**redshift style Ford Mustang**

*Steps: 20, Sampler: DPM2 Karras, CFG scale: 7, Seed: 579593863, Size: 704x512*



该模型使用diffusers自带的dreambooth样例代码（作者ShivamShrirao）训练11000个step而来。训练过程中使用了prior-preservation loss 和 *train-text-encoder* 选项。



## 使用方法：

```python
from modelscope.utils.constant import Tasks
from modelscope.pipelines import pipeline
import cv2

pipe = pipeline(task=Tasks.text_to_image_synthesis, 
                model='dienstag/redshift-diffusion',
                model_revision='v1.0')

prompt = 'redshift style magical princess with golden hair'
output = pipe({'text': prompt})
cv2.imwrite('result.png', output['output_imgs'][0])
```



## License

这个模型是开放的，所有人都可以使用，CreativeML OpenRAIL-M许可证进一步规定了权利和使用。CreativeML OpenRAIL许可证规定了：

  1. 你不能使用这个模型来故意产生或分享非法或有害的输出或内容。
  2. 作者对你产生的输出结果没有任何权利，你可以自由使用它们，并对它们的使用负责，但不得违反许可证中的规定。
  3. 你可以重新发布模型权重，并在商业上作为一项服务使用该模型。如果你这样做，请注意你必须包括与许可证中相同的使用限制，并将CreativeML OpenRAIL-M的副本分享给你的所有用户（请完全仔细阅读许可证）。 [请在这里阅读完整的许可证](https://huggingface.co/spaces/CompVis/stable-diffusion-license)。