LSRNA

让扩散模型低成本生成高清大图，细节不糊

LSRNA 是一个基于扩散模型的潜在空间超分辨率方法，旨在解决扩散模型生成高分辨率图像时计算成本高、细节不足的问题。它通过在潜在空间中进行超分辨率处理，而非在像素空间，从而在提升图像分辨率的同时保持生成质量，并显著降低计算开销。该项目提供了完整的训练和推理代码，支持自定义数据集，并包含预训练模型。核心能力包括：高效的潜在空间特征上采样、与主流扩散模型（如 Stable Diffusion）的兼容集成，以及针对高分辨率生成任务的优化策略。该工作已被 CVPR 2025 接收，适合研究者和开发者用于高分辨率图像生成、图像编辑等场景。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 51

维护状态低维护

是否开源是

定价模式 free

项目数据

分类图像生成

开发团队3587jjh

所属国家

官网地址

GitHubhttps://github.com/3587jjh/LSRNA

定价模式free

价格说明开源项目，本地部署，完全免费

访问状态

是否开源是

开源协议

主要语言Python

技术栈/模型diffusion-model,high-resolution,image-generation,image-synthesis,super-resolution

GitHub 星标★ 51

30天Star增速

HF 下载量

上线时间2025-03-21 00:00:00

最近更新2026-08-28 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

核心亮点

在潜在空间做超分，相比像素空间超分大幅降低显存和计算量
与 Stable Diffusion 等主流扩散模型无缝集成，可直接提升输出分辨率
CVPR 2025 论文背书，方法经过学术验证，代码结构清晰

不足之处

早期项目，文档和示例较少，上手需要一定研究背景
依赖特定扩散模型版本，兼容性可能受限

适用场景

高分辨率图像生成（如 4K 壁纸、艺术创作）
图像超分辨率修复（老照片、低清素材增强）
扩散模型研究中的分辨率扩展实验

替代项目

Stable Diffusion Upscaler、DiffBIR、ResShift

项目介绍

LSRNA 是图像领域的开源项目，由 3587jjh 开发，2025 年首次发布。

它收录于图像分类，该分类目前共有 837 个项目，GitHub 星标数为 51。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-08-28。本地部署，完全免费。

它主要面向的使用场景是：高分辨率图像生成（如4K壁纸、艺术创作）。同类可对比的替代方案包括 Stable Diffusion Upscaler、DiffBIR、ResShift。

上一篇：HMAR

下一篇：MV-Adapter