diffusion_distiller

把扩散模型蒸馏成少步采样，生成速度提升数倍

diffusion_distiller 是一个基于 PyTorch 的扩散模型蒸馏工具，实现了论文《Progressive Distillation for Fast Sampling of Diffusion Models》中的 v-diffusion 方法。它解决扩散模型采样速度慢、推理成本高的问题，通过渐进式蒸馏将多步采样模型压缩为少步甚至单步模型，同时保持生成质量。核心能力包括：支持加载预训练扩散模型（如 ImageNet 上的 v-diffusion 模型）、执行多轮蒸馏训练、提供采样加速评估脚本，并兼容 denoising-diffusion 生态。项目代码结构清晰，适合研究蒸馏算法或加速扩散模型落地。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 261

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Hramchenko

所属国家

官网地址

GitHubhttps://github.com/Hramchenko/diffusion_distiller

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denoising-diffusion,image-generation,model-distillation,v-diffusion

GitHub 星标★ 261

30天Star增速

HF 下载量

上线时间2022-01-18 00:00:00

最近更新2026-09-07 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2

使用教程

核心亮点

实现了官方渐进蒸馏算法，可直接复现论文结果
支持从预训练 v-diffusion 模型开始蒸馏，降低训练成本
代码简洁，依赖少，易于二次开发或集成到现有项目

不足之处

文档/社区待观察
仅支持 v-diffusion 一种蒸馏变体，未覆盖其他蒸馏策略

适用场景

研究扩散模型加速蒸馏算法
将高成本扩散模型压缩为实时可用的生成模型
在资源受限设备上部署高质量图像生成

替代项目

DeepFloyd/consistency_models、google-research/consistency_models、lucidrains/denoising-diffusion-pytorch

项目介绍

diffusion_distiller 是模型训练领域的开源项目，由 Hramchenko 开发，2022 年首次发布。

它收录于模型训练分类，该分类目前共有 522 个项目，GitHub 星标数为 261。

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 2026-09-07。MIT许可证，完全免费，无付费版本。

它主要面向的使用场景是：研究扩散模型加速蒸馏算法。同类可对比的替代方案包括 DeepFloyd/consistency_models、google-research/consistency_models、lucidrains/denoi…。

上一篇：Matlab-GAN

下一篇：PyTorch-CycleGAN