FreeScale

免训练提升扩散模型分辨率，一张图生成高清细节

FreeScale 是一个面向扩散模型的免调优高分辨率图像生成方法，代码随 ICCV 2025 论文发布。它解决了现有扩散模型在生成超出训练分辨率图像时出现的结构扭曲和重复伪影问题，无需额外训练或微调即可实现更高分辨率的视觉生成。核心能力包括：通过频域分析引导生成过程，在保持全局结构一致性的同时增强局部细节；支持与 SDXL 等主流扩散模型集成，提供即插即用的推理流程。项目主要面向研究人员和开发者，用于探索高分辨率图像合成、图像超分及创意内容生成等场景。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 149

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ali-vilab

所属国家

官网地址http://haonanqiu.com/projects/FreeScale.html

GitHubhttps://github.com/ali-vilab/FreeScale

定价模式free

价格说明开源项目，Apache-2.0许可证，完全免费，需自行部署使用。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型diffusion,diffusion-models,generative-model,image-generation,sdxl

GitHub 星标★ 149

30天Star增速

HF 下载量

上线时间2024-12-13 00:00:00

最近更新2026-07-29 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

无需微调即可提升生成分辨率，直接适配现有 SDXL 模型
基于频域引导，能有效缓解高分辨率下的结构重复和伪影
提供 ICCV 2025 官方代码，算法实现有论文支撑，便于复现

不足之处

项目处于早期阶段，文档和社区支持待观察
仅支持 SDXL 等特定架构，通用性可能有限

适用场景

将低分辨率生成结果放大至高清，用于艺术创作或设计素材
在资源受限设备上生成高分辨率图像，避免高显存训练
作为研究基线，探索扩散模型的分辨率外推能力

替代项目

Diffusion with Offset Noise、ScaleCrafter、FouriScale

项目介绍

FreeScale 是图像领域的开源项目，由 ali-vilab 开发，2024 年首次发布。

它收录于图像分类，该分类目前共有 840 个项目，GitHub 星标数为 149。

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 2026-07-29。Apache-2.0许可证，完全免费，需自行部署使用。

它主要面向的使用场景是：将低分辨率生成结果放大至高清，用于艺术创作或设计素材。同类可对比的替代方案包括 Diffusion with Offset Noise、ScaleCrafter、FouriScale。

上一篇：One-DM

下一篇：Collaborative-Diffusion