DiffCut

无需标注，用扩散模型特征实现零样本图像分割

DiffCut 是一个基于扩散模型的无监督零样本语义分割工具，其核心创新在于结合 Stable Diffusion 的深度特征与递归归一化割算法，无需任何标注数据即可完成图像分割。它解决了传统分割方法依赖大量人工标注、泛化能力弱的问题，通过提取扩散模型中间层的丰富语义特征，并利用递归归一化割进行精细化分割，实现了对任意类别的高质量分割。项目提供了完整的训练和推理代码，支持自定义数据集，并包含演示示例。DiffCut 在多个基准数据集上展现了优越性能，为计算机视觉领域的零样本分割提供了新的解决方案。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 53

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PaulCouairon

所属国家

官网地址https://diffcut-segmentation.github.io

GitHubhttps://github.com/PaulCouairon/DiffCut

定价模式free

价格说明开源项目，MIT许可证，代码免费，官网提供演示页面，无付费版本。

访问状态

是否开源是

开源协议MIT

主要语言Jupyter Notebook

技术栈/模型computer-vision,image-segmentation,normalized-cuts,stable-diffusion,unsupervised-segmentation,zero-shot-segmentation

GitHub 星标★ 53

30天Star增速

HF 下载量

上线时间2024-05-21 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2

使用教程

核心亮点

创新性地融合扩散模型特征与归一化割算法，无需训练即可分割任意类别
在多个基准数据集上达到SOTA性能，验证了方法的有效性
代码结构清晰，提供Jupyter示例，易于复现和二次开发

不足之处

依赖Stable Diffusion模型，推理速度较慢，资源消耗大
对复杂场景或小目标分割效果可能不稳定
文档/社区待观察

适用场景

自动驾驶场景中的道路、车辆、行人分割
医学图像中的器官或病变区域识别
电商图像中的商品前景提取

替代项目

FreeSeg、SegGPT、CLIPpy

项目介绍

DiffCut 是计算机视觉领域的开源项目，由 PaulCouairon 开发，2024 年首次发布。

它收录于计算机视觉分类，该分类目前共有 446 个项目，GitHub 星标数为 53。

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。MIT许可证，代码免费，官网提供演示页面，无付费版本。从国内网络环境看，可直接访问。

它主要面向的使用场景是：自动驾驶场景中的道路、车辆、行人分割。同类可对比的替代方案包括 FreeSeg、SegGPT、CLIPpy。

上一篇：comfyui-daam

下一篇：PhysInOne