stable-flow

免训练图像编辑，保留关键结构，内容更稳定

Stable Flow 是 CVPR 2025 论文的官方实现，提出一种无需训练的图像编辑方法。它针对扩散模型（如 Stable Diffusion）在编辑时因结构变化导致内容不一致的问题，通过识别并保留生成过程中的关键层（vital layers），在去噪过程中注入结构信息，实现内容与结构的平衡。核心能力包括：支持文本引导的图像编辑、保持原始图像内容与布局、无需微调或额外训练，可直接应用于现有扩散模型。项目提供简洁的 API 和示例代码，方便集成与实验。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 411

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snap-research

所属国家

官网地址https://omriavrahami.com/stable-flow

GitHubhttps://github.com/snap-research/stable-flow

定价模式free

价格说明开源项目，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NOASSERTION

主要语言Python

技术栈/模型deep-learning,diffusion-models,flow-models,generative-ai,image-editing,machine-learning,text-to-image

GitHub 星标★ 411

30天Star增速

HF 下载量

上线时间2025-01-22 00:00:00

最近更新2026-09-12 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

无需训练，直接应用于现有扩散模型，成本低
通过关键层注入结构，编辑后内容一致性高
基于 CVPR 2025 论文，方法有理论支撑

不足之处

文档/社区待观察
依赖特定扩散模型架构，泛化性需验证

适用场景

图像局部编辑（如替换物体、改变属性）
保持人物身份或物体形状的语义修改
创意设计中的快速迭代，无需重新训练模型

替代项目

InstructPix2Pix、DiffEdit、Null-Text Inversion

项目介绍

stable-flow 是图像领域的开源项目，由 snap-research 开发，2025 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 411。

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 2026-09-12。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：图像局部编辑（如替换物体、改变属性）。同类可对比的替代方案包括 InstructPix2Pix、DiffEdit、Null-Text Inversion。

上一篇：Text-to-Image-Synthesis

下一篇：cross-image-attention