BrushNet

即插即用，让扩散模型精准修复图像局部区域

开源 🏷️完全免费 ✅ 目前可打开图像生成 🍴 复刻 145 🐛 待处理 56 👀 关注 31

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 1751

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源项目，提供在线演示页面，可免费体验图像修复功能，无付费版本。

项目预览

项目数据

分类图像生成

开发团队TencentARC

官网地址https://tencentarc.github.io/BrushNet

GitHubhttps://github.com/TencentARC/BrushNet

定价模式🏷️完全免费

价格说明开源项目，提供在线演示页面，可免费体验图像修复功能，无付费版本。

访问状态✅ 目前可打开

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型diffusion,diffusion-models,eccv,eccv2024,image-inpainting,text-to-image

GitHub 星标★ 1751

上线时间2024-03-10 00:00:00

代码更新2024-12-17

仓库体积37.9 MB

本站数据更新2026-11-08

维护状态低维护

收录时间2026-08-09

浏览次数5

项目介绍

BrushNet 是一个即插即用的图像修复（inpainting）模型，基于分解双分支扩散架构，论文发表于 ECCV 2024。它解决现有扩散模型在图像修复时难以保持未遮罩区域一致性和语义连贯性的问题，通过将掩码引导与生成过程解耦，实现高质量、可控的局部重绘。核心能力包括：支持文本提示驱动的修复、保持背景细节、灵活适配多种扩散骨干网络（如 Stable Diffusion），并提供官方预训练权重和推理代码。项目旨在为研究者和开发者提供高效、易集成的图像编辑工具，降低扩散模型在修复任务上的使用门槛。

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 ★ 1751

技术标签

diffusion diffusion-models eccv2024 text-to-image

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：进阶约 30 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

Python 环境（具体版本见 README 的 Environment Requirement 章节）
按 README 的 Environment Requirement 章节安装所需依赖
需下载官方预训练权重（见 Data Download 章节）
足够的磁盘空间存放模型权重与数据
如需在线试用，可使用官方 Hugging Face Space

安装与启动步骤

1克隆项目仓库

从 GitHub 拉取 BrushNet 源码到本地并进入项目目录，后续步骤均在该目录下执行。
```
git clone https://github.com/TencentARC/BrushNet
cd BrushNet
```
2查看环境要求

打开 README 的 Environment Requirement 章节，按其列出的依赖逐项安装；仓库节选未给出具体安装命令。
3下载模型权重

参照 README 的 Data Download 章节获取权重与数据，官方权重入口见项目页与仓库提供的链接。
4运行推理脚本

进入 README 的 Running Scripts 章节，按其中给出的脚本和参数执行图像修复推理。
5在线体验 Demo

不想本地部署时，可直接打开官方 Hugging Face Space 上传图片试用，无需安装环境。

如何确认成功

README 节选未给出启动命令与端口，无法据此判断；本地运行后以脚本是否正常输出修复后图片为准。

常见问题

Q：README 节选里没有安装命令怎么办？

A：节选只保留了章节标题，具体依赖安装命令需查看完整 README 的 Environment Requirement 与 Running Scripts 章节。

Q：必须本地部署才能使用吗？

A：不必。项目提供 Hugging Face Space 在线 Demo，可直接上传待修复图片试用，无需任何本地安装。

Q：需要 GPU 才能跑吗？

A：README 未明确说明硬件要求，但扩散模型推理通常建议使用 GPU，请以官方 Environment Requirement 章节为准。

Q：预训练权重从哪里获取？

A：README 中提供了 Google Drive 的权重/数据入口与数据申请表链接，也可从项目页和 Hugging Face 页面获取，使用时请遵守开源许可。

注意事项

本教程依据 README 节选整理，安装与运行命令请以官方仓库最新 README 为准。
README 未给出 pip 包名、端口、路径等细节，请勿自行猜测，务必查阅 Environment Requirement 与 Running Scripts 章节。
权重与数据集可能通过 Google Drive 等外部链接分发，注意网络环境与存储空间，并遵守相应许可协议。