BK-SDM

压缩 Stable Diffusion，显存减半、出图更快，消费级 GPU 也能跑。

BK-SDM（Block-KD 与屏蔽蒸馏的 Stable Diffusion 压缩模型）是 ECCV 2024 提出的高效文本生成图像方案。它通过结构剪枝与知识蒸馏，将原始 Stable Diffusion 的 U-Net 压缩约 43%，在保持图像质量的同时显著降低计算成本。项目提供多种压缩比例的预训练权重，支持在消费级 GPU 上快速推理，并兼容 HuggingFace Diffusers 生态。核心能力包括：块级知识蒸馏、屏蔽扩散损失优化、以及针对不同压缩比的灵活配置。它解决了扩散模型部署时显存占用高、推理慢的痛点，适合资源受限场景下的图像生成应用。

开源 free 图像生成
访问官网 ↗ GitHub ↗ 文档 ↗
GitHub 星标 ★ 326
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Nota-NetsPresso
所属国家
官网地址
GitHubhttps://github.com/Nota-NetsPresso/BK-SDM
定价模式free
价格说明开源项目，可自行部署使用，无付费版本。
访问状态
是否开源是
开源协议NOASSERTION
主要语言Python
技术栈/模型compression,distillation,huggingface,lightweight,pytorch,stable-diffusion
GitHub 星标★ 326
30天Star增速
HF 下载量
上线时间2023-07-18 00:00:00
最近更新2026-09-21 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

  • U-Net 压缩 43%，推理速度提升明显，显存占用大幅降低
  • 提供多种压缩比预训练权重，即插即用，无需重新训练
  • 基于 Diffusers 实现，与现有生态无缝集成，上手门槛低

不足之处

  • 压缩后图像细节和复杂语义保留能力弱于原版，高压缩比下质量下降
  • 文档/社区待观察

适用场景

  • 在有限 GPU 资源下快速生成概念草图或设计素材
  • 作为移动端或边缘设备上的轻量级文本生成图像插件
  • 用于大规模图像生成的批处理任务，降低单张生成成本

替代项目

Stable Diffusion Turbo、LCM-LoRA、SnapFusion

项目介绍

BK-SDM 是开源模型领域的开源项目，由 Nota-NetsPresso 开发，2023 年首次发布。

它收录于开源模型分类，该分类目前共有 424 个项目，GitHub 星标数为 326。

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 2026-09-21。可自行部署使用，无付费版本。

它主要面向的使用场景是：在有限GPU资源下快速生成概念草图或设计素材。同类可对比的替代方案包括 Stable Diffusion Turbo、LCM-LoRA、SnapFusion。

上一篇：awesome-ai

下一篇：StableDiffusion-PyTorch

同类项目推荐

Machine-Learning 开源

跟着博客笔记，边看边跑机器学习代码

All content related to machine learning from my blog

★ 115 2026-08-09
CoreML-Models 开源

下载即用的苹果端 AI 模型库，免去转换烦恼

Core ML model zoo for iOS/macOS — PyTorch models converted to ready-to-use .mlpacka···

★ 1873 2026-08-10