ReNO

不训练，只调噪声，让一步文生图质量飙升

ReNO 是一个针对一步式文本到图像生成模型的推理时优化框架，源自 NeurIPS 2024 论文。它通过基于奖励的噪声优化，在无需额外训练的情况下，显著提升一步式扩散模型（如 SD-Turbo）的生成质量。核心思路是在推理阶段，利用奖励模型对初始噪声进行迭代优化，使得最终生成的图像更符合文本描述和人类偏好。项目提供简洁的 Python 接口，支持多种奖励模型（如 HPSv2、ImageReward）和 Stable Diffusion 模型，可轻松集成到现有生成流程中。ReNO 解决了快速生成模型在速度与质量之间的权衡问题，让一步生成也能达到接近多步采样的效果。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 167

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ExplainableML

所属国家

官网地址

GitHubhttps://github.com/ExplainableML/ReNO

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reward-models,stable-diffusion,text-to-image,text-to-image-generation

GitHub 星标★ 167

30天Star增速

HF 下载量

上线时间2024-05-27 00:00:00

最近更新2026-08-24 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6

使用教程

核心亮点

推理时优化，无需微调模型，即插即用，兼容现有 SD-Turbo 等一步模型
显著提升一步生成质量，在 HPSv2 等指标上接近多步采样效果
支持多种奖励模型（HPSv2、ImageReward），可灵活切换以适配不同偏好

不足之处

推理时需额外迭代优化噪声，增加计算开销，实时性受限
依赖奖励模型质量，若奖励模型偏差可能放大生成偏见
文档/社区待观察

适用场景

需要快速生成高质量图像的创意设计场景
对生成图像与文本一致性要求高的内容生成
作为一步式扩散模型的推理时后处理增强模块

替代项目

DMD2、SD-Turbo、LCM-LoRA

项目介绍

ReNO 是图像领域的开源项目，由 ExplainableML 开发，2024 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 167。

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 2026-08-24。MIT许可证，完全免费，无付费版本。

它主要面向的使用场景是：需要快速生成高质量图像的创意设计场景。同类可对比的替代方案包括 DMD2、SD-Turbo、LCM-LoRA。

上一篇：SyncDiffusion

下一篇：RIVAL