DyPE

让扩散模型不重训直接生成4K+超高清图

DyPE 是 ICML 2026 论文的官方实现，针对扩散模型在超高分辨率图像生成中的位置编码外推难题，提出动态位置外推方法。现有模型（如 Flux）在训练分辨率下表现良好，但直接生成高分辨率图像时因位置编码失配导致结构崩坏。DyPE 通过动态调整 RoPE 的旋转基频或位置索引，使模型在推理时能平滑外推到任意分辨率，无需重新训练。核心能力包括：即插即用，兼容 Flux 等基于 RoPE 的扩散模型；支持任意宽高比和超高分辨率（如 4K+）生成；保持原始模型语义一致性，仅修改位置编码逻辑。项目提供简洁的 API 和示例，便于集成到现有生成流程，显著降低高分辨率生成的计算和内存开销。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 360

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guyyariv

所属国家

官网地址https://noamissachar.github.io/DyPE

GitHubhttps://github.com/guyyariv/DyPE

定价模式free

价格说明开源项目，MIT许可证，提供在线演示页面，可免费使用。

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,flow-matching,flux,high-resolution-image,icml-2026,image-generation,positional-encoding,rope,t2i,text2image

GitHub 星标★ 360

30天Star增速

HF 下载量

上线时间2025-10-22 00:00:00

最近更新2026-08-26 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4

使用教程

核心亮点

无需训练，推理时动态调整位置编码即可外推至任意分辨率
兼容 Flux 等主流 RoPE 架构，集成成本低
官方实现，附 ICML 论文，方法有理论支撑

不足之处

文档/社区待观察
仅支持基于 RoPE 的模型，适用范围有限

适用场景

超高分辨率图像生成（如海报、艺术画）
文本到图像模型的分辨率扩展
视频帧或大尺寸纹理生成

替代项目

FouriScale、Diffusion with Offset Noise、ResAdapter

项目介绍

DyPE 是图像领域的开源项目，由 guyyariv 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 360。

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 2026-08-26。MIT许可证，提供在线演示页面，可免费使用。从国内网络环境看，可直接访问。

它主要面向的使用场景是：超高分辨率图像生成（如海报、艺术画）。同类可对比的替代方案包括 FouriScale、Diffusion with Offset Noise、ResAdapter。

上一篇：AudioToken

下一篇：textboost