Wuerstchen

用更少算力训练出高质量文生图模型

Wuerstchen 是一个文本到图像生成模型的官方实现，核心创新在于提出了一种高效的预训练方法。它通过将图像压缩为极其紧凑的潜在表示，大幅降低训练和推理的计算成本，使得在有限资源下也能训练出高质量的图像生成模型。该项目解决了传统扩散模型（如 Stable Diffusion）训练成本高昂、推理速度慢的问题，为图像生成领域提供了一种更轻量、更高效的方案。其核心能力包括：高效的潜在空间压缩、基于扩散模型的文本引导生成，以及支持从零开始训练或微调。项目代码基于 Jupyter Notebook 和 Python，技术栈涉及扩散模型、机器学习等，适合研究者和开发者探索高效图像生成技术。

开源 free 图像生成
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 553
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dome272
所属国家
官网地址
GitHubhttps://github.com/dome272/Wuerstchen
定价模式free
价格说明开源项目，MIT许可证，完全免费，可自行部署使用。
访问状态
是否开源是
开源协议MIT
主要语言Jupyter Notebook
技术栈/模型diffusion-models,efficiency,machine-learning,stable-diffusion
GitHub 星标★ 553
30天Star增速
HF 下载量
上线时间2023-05-24 00:00:00
最近更新2026-09-16 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2

使用教程

核心亮点

  • 创新性的潜在空间压缩技术，显著降低训练和推理成本
  • 官方实现，代码质量有保障，易于复现论文结果
  • 为资源受限环境下的文生图研究提供了新思路

不足之处

  • 项目处于早期阶段，文档和社区支持待观察
  • 与成熟项目相比，生态和工具链尚不完善

适用场景

  • 学术研究：探索高效文本到图像生成方法
  • 资源受限的团队训练定制化文生图模型
  • 作为教学案例理解扩散模型优化技术

替代项目

Stable Diffusion、Imagen、DALL-E 2

项目介绍

Wuerstchen 是开源模型领域的开源项目，由 dome272 开发，2023 年首次发布。

它收录于开源模型分类，该分类目前共有 424 个项目，GitHub 星标数为 553。

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 2026-09-16。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：学术研究：探索高效文本到图像生成方法。同类可对比的替代方案包括 Stable Diffusion、Imagen、DALL-E 2。

上一篇：Real-Time-Latent-Consistency-Model

下一篇：sdupdates

同类项目推荐

Machine-Learning 开源

跟着博客笔记，边看边跑机器学习代码

All content related to machine learning from my blog

★ 115 2026-08-09
awesome-ltx2 开源

找齐 LTX-2 模型、工作流和 LoRA，一键上手视频生成。

All available LTX-2 models, encoders, workflows, LoRAs for ComfyUI

★ 593 2026-08-10