HiCo_T2I

用布局框精准控制图像生成，告别乱摆乱放

HiCo_T2I 是 NeurIPS 2024 收录的布局条件图像生成项目，旨在解决文本到图像生成中布局控制不精准的问题。它通过引入层次化条件机制，让用户可以用简单的边界框或关键点指定物体位置，生成符合布局要求的图像。核心能力包括：细粒度的空间控制、多对象布局协调、以及与现有扩散模型（如 Stable Diffusion）的无缝集成。项目提供训练和推理代码，支持自定义数据集，适合研究者和开发者用于可控图像合成。相比纯文本提示，HiCo_T2I 能显著提升生成图像中物体位置和尺寸的准确性，减少布局冲突。

开源 unknown 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 66

维护状态低维护

是否开源是

定价模式 unknown

项目数据

分类图像生成

开发团队360CVGroup

所属国家

官网地址https://360cvgroup.github.io/HiCo_T2I

GitHubhttps://github.com/360CVGroup/HiCo_T2I

定价模式unknown

价格说明定价信息待确认

访问状态

是否开源是

开源协议

主要语言Python

技术栈/模型image-generation,layout-control,neurips-2024

GitHub 星标★ 66

30天Star增速

HF 下载量

上线时间2024-10-17 00:00:00

最近更新2026-04-09 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3

使用教程

核心亮点

布局控制精度高，能严格遵循边界框生成物体，减少位置偏移
基于 NeurIPS 2024 论文，方法有理论创新，层次化条件设计新颖
与主流扩散模型兼容，易于集成到现有生成流程

不足之处

项目早期，文档和社区支持待观察
依赖特定扩散模型，泛化性需更多验证

适用场景

广告设计：按草图布局生成产品图
内容创作：为插画/漫画指定角色位置
科研实验：研究布局条件对生成质量的影响

替代项目

ControlNet、GLIGEN、LayoutDiffusion

项目介绍

HiCo_T2I 是图像领域的开源项目，由 360CVGroup 开发，2024 年首次发布。

它收录于图像分类，该分类目前共有 839 个项目，GitHub 星标数为 66。

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 2026-04-09。从国内网络环境看，可直接访问。

它主要面向的使用场景是：广告设计：按草图布局生成产品图。同类可对比的替代方案包括 ControlNet、GLIGEN、LayoutDiffusion。

上一篇：SUR-adapter

下一篇：himg