fm-boosting

用流匹配加速扩散模型，生成更快更清晰的图像

FMBoost 是一个基于流匹配（Flow Matching）的潜在扩散模型加速与增强工具，源自 ECCV 2024 Oral 论文。它针对 Stable Diffusion 等潜在扩散模型在生成高分辨率图像时速度慢、细节不足的问题，提出将流匹配与潜在扩散结合，通过一个轻量级的流匹配模块对扩散模型的潜在表示进行精炼和上采样，从而在保持生成质量的同时显著提升推理速度，并增强图像细节。核心能力包括：无缝集成到现有 Stable Diffusion 流程、支持超分辨率、提供训练与推理脚本。项目代码基于 Python 和 PyTorch，适合研究者和开发者复现论文结果或将其应用于实际图像生成任务。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 259

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CompVis

所属国家

官网地址https://compvis.github.io/fm-boosting

GitHubhttps://github.com/CompVis/fm-boosting

定价模式free

价格说明开源项目，提供在线演示页面，代码和模型权重均免费，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diffusion-models,flow-matching,stable-diffusion,super-resolution

GitHub 星标★ 259

30天Star增速

HF 下载量

上线时间2023-12-09 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2

使用教程

核心亮点

ECCV 2024 Oral 论文官方实现，算法新颖且经过学术验证
显著提升 Stable Diffusion 推理速度，同时增强图像细节
提供完整的训练和推理代码，易于复现和扩展

不足之处

项目早期，文档和社区支持待观察
依赖特定模型版本，集成到现有流程可能需要适配

适用场景

加速 Stable Diffusion 图像生成，用于实时交互应用
提升生成图像的分辨率和细节，用于超分辨率任务
研究流匹配与扩散模型结合的新方法

替代项目

Stable Diffusion、Flow Matching (Rectified Flow)、Latent Diffusion Models

项目介绍

fm-boosting 是计算机视觉领域的开源项目，由 CompVis 开发，2023 年首次发布。

它收录于计算机视觉分类，该分类目前共有 447 个项目，GitHub 星标数为 259。

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。提供在线演示页面，代码和模型权重均免费，无付费版本。从国内网络环境看，可直接访问。

它主要面向的使用场景是：加速StableDiffusion图像生成，用于实时交互应用。同类可对比的替代方案包括 Stable Diffusion、Flow Matching (Rectified Flow)、Latent Diffusion Models。

上一篇：CC-Pan

下一篇：DZ-FaceDetailer