PITI

用预训练模型，小样本也能搞定高质量图像翻译

PITI是一个基于预训练的图像到图像翻译框架，核心思想是“预训练即一切”，旨在解决传统图像翻译模型需要大量配对数据、训练成本高且泛化能力弱的问题。它利用大规模预训练模型（如CLIP）作为特征提取器，通过轻量级适配层将预训练知识迁移到下游翻译任务，从而在少量样本下实现高质量的图像转换。项目支持多种翻译任务，如语义分割图转真实图像、边缘图转照片等，并提供了预训练模型和推理代码。其核心能力包括：高效的迁移学习、强大的语义理解、以及跨域一致性保持。PITI在多个基准数据集上展示了优于现有方法的性能，尤其在小样本场景下表现突出，为图像合成领域提供了一种新的范式。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 502

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PITI-Synthesis

所属国家

官网地址

GitHubhttps://github.com/PITI-Synthesis/PITI

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型computer-vision,image-generation,image-synthesis,image-to-image-translation,pretraining

GitHub 星标★ 502

30天Star增速

HF 下载量

上线时间2022-05-27 00:00:00

最近更新2026-07-18 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

基于CLIP预训练，语义理解强，翻译结果更逼真
小样本即可微调，大幅降低数据标注成本
支持多任务通用框架，代码结构清晰易扩展

不足之处

依赖大规模预训练模型，推理资源需求较高
文档/社区待观察

适用场景

游戏美术：根据草图或语义图快速生成概念图
电商设计：将产品线稿自动转换为写实效果图
科研实验：在少量标注数据下进行图像风格迁移

替代项目

CycleGAN、pix2pix、ControlNet

项目介绍

PITI 是图像领域的开源项目，由 PITI-Synthesis 开发，2022 年首次发布。

它收录于图像分类，该分类目前共有 839 个项目，GitHub 星标数为 502。

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 2026-07-18。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：游戏美术：根据草图或语义图快速生成概念图。同类可对比的替代方案包括 CycleGAN、pix2pix、ControlNet。

上一篇：PIDM

下一篇：stable-diffusion-prompt-reader