SustainDiffusion：优化 Stable Diffusion 模型的社会与环境可持续性
软件工程
2025-12-08 v2 人工智能
摘要
背景：文本到图像生成模型在诸多领域中广泛应用。在这些模型中，Stable Diffusion（SD）——一种开源文本到图像生成模型——已成为最受欢迎的模型，年产生超过 120 亿张图像。然而，这些模型的广泛使用引发了关于其社会和环境可持续性的担忧。目标：为减少 SD 模型对社会和环境可能造成的伤害，我们引入 SustainDiffusion，一种基于搜索的方法，旨在增强 SD 模型的社会和环境可持续性。方法：SustainDiffusion 搜索最优的超参数和提示结构组合，从而减少生成图像中性别偏见和族裔偏见的同时，降低图像生成所需的能源消耗。重要的是，SustainDiffusion 保持图像质量与原始 SD 模型相当。结果：我们对 SustainDiffusion 进行全面实证评估，使用 56 个不同提示测试六个基线。我们的结果表明，SustainDiffusion 可将 SD3 的性别偏见降低 68%，族裔偏见降低 59%，能源消耗（计算为 CPU 和 GPU 能源总和）降低 48%。此外，SustainDiffusion 所产生的结果在多个运行中一致，可推广到各种提示。结论：通过 SustainDiffusion，我们展示了在不进行微调或更改模型体系结构的情况下，如何提升文本到图像生成模型的社会和环境可持续性。
引用
@article{arxiv.2507.15663,
title = {SustainDiffusion: Optimising the Social and Environmental Sustainability of Stable Diffusion Models},
author = {Giordano d'Aloisio and Tosin Fadahunsi and Jay Choy and Rebecca Moussa and Federica Sarro},
journal= {arXiv preprint arXiv:2507.15663},
year = {2025}
}