ControlVAR

用自回归扩散模型，精准控制图像生成细节

ControlVAR 是一个基于自回归扩散模型的图像生成控制框架，旨在解决传统扩散模型在条件生成中控制粒度不足的问题。它通过将可变长度自回归（VAR）与扩散模型结合，实现对生成图像的精细控制，如布局、姿态、深度等条件。核心能力包括：支持多种条件输入（如边缘、深度、关键点），提供统一的控制接口，并能在高分辨率下保持生成质量。该项目由官方实现，代码基于 PyTorch，技术栈涉及视觉 Transformer 和自回归生成，适合研究者和开发者用于可控图像生成任务。目前处于早期阶段，星标数较少，但提供了基础模型和推理代码，便于二次开发。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 127

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lxa9867

所属国家

官网地址

GitHubhttps://github.com/lxa9867/ControlVAR

定价模式free

价格说明开源项目，本地部署，完全免费

访问状态

是否开源是

开源协议

主要语言Python

技术栈/模型autoregressive,conditional-generation,control,diffusion-models,geneartive-models,image-generation,vision-transformer

GitHub 星标★ 127

30天Star增速

HF 下载量

上线时间2024-07-26 00:00:00

最近更新2026-09-04 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

结合自回归与扩散模型，实现细粒度条件控制，优于传统 ControlNet 方法
支持多种条件输入（边缘、深度、姿态等），灵活适配不同场景
官方实现，代码结构清晰，便于研究者复现和扩展

不足之处

项目处于早期阶段，文档和社区支持尚不完善
依赖特定模型和训练资源，部署门槛较高

适用场景

可控图像编辑，如根据草图或姿态生成人物
创意设计辅助，快速生成符合布局要求的图像
学术研究，探索自回归模型在条件生成中的应用

替代项目

ControlNet、T2I-Adapter、GLIGEN

项目介绍

ControlVAR 是图像领域的开源项目，由 lxa9867 开发，2024 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 127。

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 2026-09-04。本地部署，完全免费。

它主要面向的使用场景是：可控图像编辑，如根据草图或姿态生成人物。同类可对比的替代方案包括 ControlNet、T2I-Adapter、GLIGEN。

上一篇：inpaint-anything

下一篇：maskbit-pytorch