Awesome-Controllable-T2I-Diffusion-Models

一网打尽扩散模型可控生成资源，快速上手精准出图

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署图像生成 🍴 复刻 34 🐛 待处理 2 👀 关注 46

GitHub ↗

GitHub 星标 ★ 1111

维护状态活跃

是否开源开源

定价模式 🏷️完全免费开源资源列表，MIT许可证，完全免费，无付费版本。

项目预览

Awesome-Controllable-T2I-Diffusion-Models 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类图像生成

开发团队PRIV-Creation

GitHubhttps://github.com/PRIV-Creation/Awesome-Controllable-T2I-Diffusion-Models

定价模式🏷️完全免费

价格说明开源资源列表，MIT许可证，完全免费，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Python

技术栈/模型awesome,awesome-list,controllable-generation,diffusion-models,multi-concept,personalization,spatial-controls,text-to-image

GitHub 星标★ 1111

上线时间2023-04-13 00:00:00

代码更新2026-11-09

仓库体积4.1 MB

本站数据更新2026-11-09

维护状态活跃

收录时间2026-08-09

浏览次数4

项目介绍

这是一个关于文本到图像扩散模型可控生成的资源集合，旨在解决扩散模型生成结果难以精确控制的问题。项目系统整理了该领域的前沿研究、方法和工具，涵盖空间控制（如布局、深度图、边缘图）、多概念定制（如DreamBooth、LoRA）、个性化生成、编辑与局部重绘等方向。核心能力包括：提供分类清晰的技术路线图，收录大量论文、代码和数据集链接，帮助研究者快速了解可控生成的技术全貌并追踪最新进展。项目持续更新，是进入该领域或寻找具体实现方案的重要索引。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1111

技术标签

awesome awesome-list controllable-generation diffusion-models personalization

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：入门约 10 分钟部署方式：本地安装 5 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

可访问 GitHub 的网络环境
已安装 Git（用于克隆仓库）
可阅读 arXiv 论文的浏览器或 PDF 阅读器

安装与启动步骤

1克隆资源仓库

把索引仓库拉到本地，方便离线查阅各方向的论文与代码链接。项目本身是资源列表，不包含可运行代码。
```
git clone https://github.com/PRIV-Creation/Awesome-Controllable-T2I-Diffusion-Models.git
```
2阅读目录结构

打开仓库中的 README，从 Contents 章节了解分类，如 Personalization 下的 Subject/Person/Style-Driven Generation 等分支。
3阅读配套综述论文

README 指向作者团队的综述论文，用于理解可控生成的整体框架与术语，再回来看索引会更高效。
4按方向挑选条目

从空间控制、多概念定制、个性化、编辑与局部重绘等方向中，挑选感兴趣的子章节，逐条跳转到对应论文或代码库。
5提交新论文入口

README 说明内容由数据库生成，新增论文请在 issue 中提供信息，不要直接提交 PR。