Efficient-VDVAE

用更少资源训练高质量生成模型，图像生成提速降本。

Efficient-VDVAE 是论文“Efficient-VDVAE: Less is more”的官方 PyTorch 和 JAX 实现，旨在提升层次化变分自编码器（VDVAE）的训练与推理效率。传统 VDVAE 虽能生成高质量图像，但存在层级冗余、计算开销大、内存占用高的问题。该项目通过架构精简与训练策略优化，在保持生成质量的同时显著减少参数和计算量，使高分辨率图像生成更轻量高效。核心能力包括：高效的层级设计、跨框架支持（PyTorch/JAX）、面向无监督表示学习与图像生成的研究基准。适合研究高效生成模型、探索 VAE 极限的开发者。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 199

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Rayhane-mamah

所属国家

官网地址

GitHubhttps://github.com/Rayhane-mamah/Efficient-VDVAE

定价模式free

价格说明开源项目，MIT许可证，完全免费，无付费版本。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型image-generation,jax,paper,python,pytorch,representation-learning,unsupervised-learning,vae

GitHub 星标★ 199

30天Star增速

HF 下载量

上线时间2022-03-22 00:00:00

最近更新2026-08-20 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

官方实现，代码可靠，PyTorch 和 JAX 双版本便于对比与迁移
针对 VDVAE 的冗余层级进行剪枝，训练速度与显存占用明显优化
提供论文配套实验配置，复现结果方便，适合学术研究

不足之处

项目处于早期，文档和社区支持待观察
依赖特定硬件环境，JAX 版本在 GPU 集群外可能配置复杂

适用场景

研究高效生成模型，作为基线对比
在资源受限环境（如单卡 GPU）训练高分辨率图像生成器
探索无监督表示学习，用于下游特征提取

替代项目

NVAE、VQ-VAE-2、DALL-E 1 (VAE部分)

项目介绍

Efficient-VDVAE 是图像领域的开源项目，由 Rayhane-mamah 开发，2022 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 199。

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 2026-08-20。MIT许可证，完全免费，无付费版本。

它主要面向的使用场景是：研究高效生成模型，作为基线对比。同类可对比的替代方案包括 NVAE、VQ-VAE-2、DALL-E 1 (VAE部分)。

上一篇：stablediffusion-interpolation-tools

下一篇：APDrawingGAN