TSIT

简单通用的图像翻译框架，一张图轻松换风格

TSIT是ECCV 2020 Spotlight论文的官方实现，提出了一种简单且通用的图像到图像翻译框架。它通过特征变换（feature transformation）机制，在GAN生成器中融合源图像的内容特征和目标域的样式特征，实现跨域图像转换。核心能力包括：支持多模态生成（给定同一输入可产生多种风格输出）、支持任意分辨率（通过全局和局部特征变换）、以及无需复杂网络结构即可达到先进效果。该框架解决了传统图像翻译中结构复杂、训练不稳定、难以处理高分辨率图像等问题，为图像编辑、风格迁移等任务提供了一个简洁高效的基线方案。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 288

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EndlessSora

所属国家

官网地址

GitHubhttps://github.com/EndlessSora/TSIT

定价模式free

价格说明开源项目，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型eccv2020,feature-transformation,gan,generative-adversarial-network,image-generation,image-manipulation,image-to-image-translation,multi-modal,multi-scale,semantic-image-synthesis,style-transfer,two-stream-networks,versatile

GitHub 星标★ 288

30天Star增速

HF 下载量

上线时间2020-07-13 00:00:00

最近更新2026-07-07 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

方法简洁，基于特征变换而非复杂网络，易于复现和扩展
支持多模态输出，同一输入可生成多种风格结果
ECCV 2020 Spotlight，学术认可度高，代码质量可靠

不足之处

项目较早期，文档和社区支持有限
依赖PyTorch旧版本，环境配置可能较繁琐

适用场景

学术研究：作为图像翻译新方法的对比基线
风格迁移：将照片转换为绘画、动漫等艺术风格
图像编辑：改变物体属性（如季节、天气、材质）

替代项目

CycleGAN、MUNIT、StarGAN v2

项目介绍

TSIT 是图像领域的开源项目，由 EndlessSora 开发，2020 年首次发布。

它收录于图像分类，该分类目前共有 839 个项目，GitHub 星标数为 288。

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 2026-07-07。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：作为图像翻译新方法的对比基线。同类可对比的替代方案包括 CycleGAN、MUNIT、StarGAN v2。

上一篇：CoCosNet-v2

下一篇：invertible-cd