MATEBIT

用参考图精准迁移图像风格，CVPR 2023 官方实现

MATEBIT 是一个基于 CVPR 2023 论文的示例引导图像翻译开源项目，核心解决给定参考图像（示例）时，如何将源图像内容迁移到目标风格或外观的问题。它采用掩码与自适应 Transformer 架构，通过学习源图与示例图之间的语义对应关系，实现高质量、可控的图像生成。项目提供完整的训练和推理代码，支持多种图像翻译任务，如风格迁移、物体变形等。其技术亮点在于结合了掩码建模和自适应注意力机制，能更精准地捕捉跨图像对应关系，减少伪影，提升生成图像的保真度和多样性。虽然目前星标数不高，但作为学术成果的官方实现，对研究图像翻译和对应学习的开发者具有参考价值。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 96

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AiArt-Gao

所属国家

官网地址

GitHubhttps://github.com/AiArt-Gao/MATEBIT

定价模式free

价格说明开源项目，MIT许可证，完全免费，无付费版本。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型computing-art,correspondence-learning,image-generation,image-to-image-translation,transformer

GitHub 星标★ 96

30天Star增速

HF 下载量

上线时间2023-03-14 00:00:00

最近更新2026-04-16 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

基于 CVPR 2023 论文，算法有学术保障
提供完整训练和推理代码，易于复现
掩码与自适应 Transformer 提升对应学习精度

不足之处

文档/社区待观察
依赖特定数据集，泛化性需自行验证

适用场景

学术研究：复现论文实验，对比新方法
风格迁移：将艺术风格迁移到真实照片
物体变形：根据示例图生成不同姿态或形状

替代项目

CUT、CycleGAN、CoCosNet

项目介绍

MATEBIT 是图像领域的开源项目，由 AiArt-Gao 开发，2023 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 96。

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 2026-04-16。MIT许可证，完全免费，无付费版本。

它主要面向的使用场景是：学术研究：复现论文实验，对比新方法。同类可对比的替代方案包括 CUT、CycleGAN、CoCosNet。

上一篇：pytti-notebook

下一篇：Fast_text2StyleGAN