cycle-diffusion

用循环一致性让扩散模型精准编辑图像，无需重新训练。

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署图像生成 🍴 复刻 37 🐛 待处理 1 👀 关注 11

GitHub ↗

GitHub 星标 ★ 658

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，无在线服务，需自行部署，完全免费。

项目预览

cycle-diffusion 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类图像生成

开发团队ChenWu98

GitHubhttps://github.com/ChenWu98/cycle-diffusion

定价模式🏷️完全免费

价格说明开源项目，无在线服务，需自行部署，完全免费。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型diffusion-models,generative-models,image-synthesis,image-to-image-translation,score-based-generative-models,stable-diffusion,text-to-image,zero-shot-learning

GitHub 星标★ 658

上线时间2022-10-08 00:00:00

代码更新2023-12-31

仓库体积53.7 MB

本站数据更新2026-11-08

维护状态低维护

收录时间2026-08-09

浏览次数4

项目介绍

Cycle-Diffusion 是一个基于扩散模型的图像编辑工具，核心思想是在潜在空间中实现源图像与目标图像之间的循环一致性映射，从而支持无需额外训练的图像到图像翻译。它解决了传统扩散模型在编辑时难以保持内容一致性和结构保真的问题，允许用户通过文本提示或参考图像对生成结果进行精细控制。项目提供了简洁的API和示例代码，支持Stable Diffusion等主流模型，可完成风格迁移、属性编辑、局部修改等任务。其亮点在于利用循环一致性约束，使得编辑后的图像在保留原始语义的同时，更准确地响应用户指令。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 658

技术标签

diffusion-models generative-models image-synthesis image-to-image-translation stable-diffusion

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：高级约 90 分钟部署方式：本地GPU 5 步

环境要求

Python 3.8+
CUDA GPU（显存视分辨率而定）
PyTorch 与 ffmpeg

安装与启动步骤

1先装 CLIP

依赖 OpenAI 的 CLIP 做文本侧编码，必须从 git 装，不要用 PyPI 上的同名包。
```
pip install git+https://github.com/openai/CLIP.git
```
2拉辅助仓库

判别器和潜空间编码器是外部项目，需要单独 clone 再装成可导入的包。
```
git clone https://github.com/CompVis/taming-transformers.git
```
3把本仓库装成包

在仓库根目录做可编辑安装，之后才能 import 到脚本里逐步调试。
```
pip install -e .
```
4下 AFHQ-v2 数据

官方给了下载脚本，数据量不小，先确认磁盘余量再跑。
```
bash download.sh afhq-v2-dataset
```
5跑通一个 batch

配置里的路径要和下载后的目录结构对上，第一步目标是能跑完一个 batch，不是出好结果。