h-edit

用数学理论让扩散模型编辑图像更稳更灵活

h-Edit 是一个基于扩散模型的图像编辑工具，核心创新在于引入 Doob 的 h-变换理论，将编辑过程建模为条件扩散过程，从而在保持图像结构的同时实现灵活、高效的编辑。它解决了传统扩散编辑方法中编辑强度与结构保持难以平衡、需要大量调参或额外训练的问题。项目提供简洁的 API 和命令行接口，支持多种编辑类型（如局部替换、风格迁移、属性修改等），并附带预训练模型和示例脚本。作为 CVPR 2025 论文的官方实现，它展示了理论驱动的编辑新范式，适合研究者和开发者用于快速原型验证或集成到现有图像生成流程中。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 81

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nktoan

所属国家

官网地址

GitHubhttps://github.com/nktoan/h-edit

定价模式free

价格说明开源项目，Apache-2.0许可证，完全免费，需自行部署。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型ai,computer-vision,cvpr2025,deep-learning,diffusion-models,generative-model,image-editing,image-generation,image-manipulation,machine-learning

GitHub 星标★ 81

30天Star增速

HF 下载量

上线时间2025-03-03 00:00:00

最近更新2026-09-08 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

基于 Doob's h-Transform 的严谨理论，编辑过程可控性强，减少随机性
无需针对每个编辑任务重新训练，推理时直接应用，效率高
支持细粒度编辑，能精准修改局部区域而不破坏整体结构

不足之处

项目处于早期阶段，文档和示例尚不完善，上手门槛较高
对扩散模型版本有依赖，兼容性需自行验证

适用场景

学术研究：探索扩散模型编辑的理论基础
创意设计：快速生成多种编辑效果供选择
内容生产：批量处理图像风格或局部修改

替代项目

InstructPix2Pix、DiffEdit、Prompt-to-Prompt

项目介绍

h-edit 是图像领域的开源项目，由 nktoan 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 81。

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 2026-09-08。Apache-2.0许可证，完全免费，需自行部署。

它主要面向的使用场景是：学术研究：探索扩散模型编辑的理论基础。同类可对比的替代方案包括 InstructPix2Pix、DiffEdit、Prompt-to-Prompt。

上一篇：PNGAN

下一篇：ZenCtrl