Internal-Guidance

无需训练，用模型自身动态引导扩散生成，提升图像质量。

Internal-Guidance（IG）是CVPR 2026 Highlight论文的官方开源实现，提出一种无需额外训练或外部条件即可引导扩散Transformer（DiT）生成的方法。它利用模型自身内部动态（如注意力图、特征统计）作为引导信号，在推理时动态调整生成过程，从而提升图像质量、构图和语义一致性。核心能力包括：即插即用，兼容主流DiT架构；支持多种引导模式（如结构引导、风格控制）；提供清晰代码和预训练模型，便于复现和二次开发。该项目解决了现有引导方法依赖外部模型或额外训练的高成本问题，让开发者能低成本增强生成效果。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 92

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CVL-UESTC

所属国家

官网地址https://zhouxingyu13.github.io/Internal-Guidance

GitHubhttps://github.com/CVL-UESTC/Internal-Guidance

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image-generation

GitHub 星标★ 92

30天Star增速

HF 下载量

上线时间2025-12-24 00:00:00

最近更新2026-09-14 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

无需额外训练或外部模型，推理时即插即用，降低使用门槛
基于内部动态引导，可灵活控制结构、风格等生成属性
官方实现，代码结构清晰，附有论文和示例，便于复现

不足之处

项目处于早期阶段，文档和社区支持有待完善
引导效果可能依赖特定DiT架构，泛化性需进一步验证

适用场景

图像生成质量增强，如提升分辨率、细节和构图
可控生成，如指定结构或风格引导
研究扩散模型内部机制，用于教学和实验

替代项目

FreeDoM、Diffusion Self-Guidance、Attention Guidance

项目介绍

Internal-Guidance 是图像领域的开源项目，由 CVL-UESTC 开发，2025 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 92。

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 2026-09-14。MIT许可证，完全免费，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：图像生成质量增强，如提升分辨率、细节和构图。同类可对比的替代方案包括 FreeDoM、Diffusion Self-Guidance、Attention Guidance。

上一篇：Atlas

下一篇：FireRed-Image-Edit