diffusion-models 第 4 页
本站收录 377 个带「diffusion-models」标签的 AI 开源项目（按 GitHub 星标从高到低，第 4 / 8 页）
VINEVINE 是 ICLR 2025 的官方实现，专注于利用生成式先验（如扩散模型）实现鲁棒图像水印，以抵御现代图像编辑工具的篡改。项目首先构建了首个针对图像编辑的★ 390
BentoDiffusionBentoDiffusion 是一个基于 BentoML 的扩散模型服务集合，旨在简化 Stable Diffusion 等扩散模型的部署、推理和微调流程。它解★ 389
q-diffusionQ-Diffusion 是 ICCV 2023 收录的扩散模型量化工具，主要解决 Stable Diffusion 等扩散模型在部署时内存占用大、推理速度慢的问★ 382
sparsefusionSparseFusion 是一个基于视图条件扩散模型的 3D 重建开源项目，发表于 CVPR 2023。它解决的是从少量（稀疏）视角图像重建高质量 3D 物体的★ 381
flux-kreaflux-krea 是 FLUX.1 Krea [dev] 模型的官方 GitHub 仓库，基于扩散模型架构，专注于文本到图像的生成任务。该项目解决了高质量、高★ 369
DiffPoseTalkDiffPoseTalk 是一个基于扩散模型的语音驱动 3D 面部动画与头部姿态生成开源项目。它解决的是从单一语音输入生成自然、富有表现力且风格可调的 3D 数★ 364
RefAlignRefAlign 是一个用于参考视频生成的表示对齐框架，旨在解决现有视频扩散模型在生成时难以保持参考对象外观一致性的问题。它通过引入表示对齐机制，将参考图像或视★ 363
HunyuanPortraitHunyuanPortrait 是腾讯混元团队开源的肖像动画框架，核心解决传统肖像驱动中显式条件（如关键点、深度图）控制粒度不足的问题。它提出隐式条件控制机制，★ 357
physgenPhysGen 是一个基于物理模拟的图像到视频生成项目，来自 ECCV 2024。它主要解决现有图像动画方法生成的视频缺乏真实物理交互的问题，比如物体运动不符合★ 356
fashn-vton-1.5FASHN VTON v1.5 是一个基于扩散模型的虚拟试穿（Virtual Try-On）开源项目，专注于在像素空间实现无需掩码的高效服装迁移。它解决了传统虚★ 355
ZenCtrlZenCtrl 是一个基于扩散模型的图像生成工具，专注于上下文驱动的主题生成，同时保持前景保真度。它解决了在图像编辑和生成中，用户希望将特定主体（如人物、物体）★ 351
DiffGAN-TTSDiffGAN-TTS 是一个基于 PyTorch 的文本转语音（TTS）实现，核心思想是结合扩散模型（Diffusion）和生成对抗网络（GAN），在保证高保★ 351
MVEditMVEdit 是一个基于 3D-Adapter 方法的多视角扩散模型项目，旨在解决从文本或单图生成高质量、几何一致的 3D 内容的问题。它通过在多视角扩散过程中★ 347
VoostVoost 是一个基于扩散 Transformer 的统一框架，用于双向虚拟试穿（try-on）和虚拟脱衣（try-off）。它解决了传统虚拟试穿模型只能单向处★ 344
AlignPropAlignProp 是一个用于对齐大规模文本到图像扩散模型的开源项目，核心思想是直接对奖励函数进行反向传播，以微调 Stable Diffusion 等模型，从★ 329
e4t-diffusione4t-diffusion 是论文《Encoder-based Domain Tuning for Fast Personalization of Text-t★ 323
stable-diffusion-colabstable-diffusion-colab 是一个基于 Google Colab 的 Jupyter Notebook 项目，专门用于运行 Stable Di★ 323
1Prompt1Story1Prompt1Story 是一个基于扩散模型的文本到图像生成工具，由 ICLR 2025 Spotlight 论文提出。它解决的核心问题是：在生成多张相关图像★ 322
Awesome-Interactive-World-Model这是一个关于交互式世界模型的论文与资源精选列表，旨在系统梳理该领域的前沿研究。项目按核心研究挑战（如3D、扩散模型、流式视频、数据集等）对论文进行分类，帮助研究★ 322
PVDMPVDM（Video Probabilistic Diffusion Models in Projected Latent Space）是CVPR 2023收录★ 322
MinImagenMinImagen 是一个极简实现的 Imagen 文本到图像生成模型，基于 PyTorch 构建。它旨在用最少的代码复现 Google Imagen 的核心架★ 312
lora-dataset-studiolora-dataset-studio 是一个自托管的 LoRA 全生命周期工作台，旨在解决 LoRA 模型训练中数据集构建、清洗、标注和测试流程分散且繁琐的问★ 312
ImageFolderImageFolder 是一个面向自回归（AR）和变量自回归（VAR）图像生成模型的高性能图像分词器。它解决了传统图像生成中像素级建模效率低、难以捕捉全局结构的★ 307
Gen-L-VideoGen-L-Video 是一个基于扩散模型的多文本到长视频生成与编辑的开源项目，对应论文《Gen-L-Video: Multi-Text to Long Vid★ 307
EasyCacheEasyCache 是一个针对视频扩散模型的免训练推理加速工具，核心思想是“少即是够”——在生成过程中动态识别并缓存冗余计算，减少重复的扩散步骤，从而在不重新训★ 301
gcdGCD（Generative Camera Dolly）是ECCV 2024 Oral的官方实现，专注于极端单目动态新视角合成。它解决的是从单个移动摄像头拍摄的★ 294
modular-diffusionmodular-diffusion 是一个基于 PyTorch 的模块化扩散模型设计与训练库。它旨在解决扩散模型研究中的代码复用和灵活定制问题，提供高度解耦的组★ 292
i1i1 是一个完全开源的文本到图像生成模型配方，由代码和模型权重组成，旨在提供一个简单且可复现的高质量文生图方案。它基于扩散模型架构，使用 JAX 和 PyTor★ 291
joliGENjoliGEN 是一个基于 PyTorch 的生成式 AI 图像与视频工具集，融合了 GAN 和扩散模型，专注于解决真实世界中的图像生成与编辑问题。它提供图像到★ 290
LAMPLAMP 是一个基于扩散模型的少样本视频生成框架，发表于 CVPR 2024。它旨在解决视频生成中数据稀缺和运动模式学习困难的问题，通过从少量参考视频中学习可迁★ 283
Story2BoardStory2Board 是一个无需训练的漫画分镜生成工具，基于扩散模型实现。它解决的是从长文本故事自动生成连贯、富有表现力的分镜序列的问题。核心能力包括：通过文★ 281
SIFUSIFU是CVPR 2024 Highlight论文的官方实现，专注于从单张RGB图像重建穿着衣服的3D人体模型。它解决的是真实世界场景下，传统方法因遮挡、复杂★ 275
consistency_flow_matchingConsistency Flow Matching 是论文《Consistency Flow Matching: Defining Straight Flows★ 273
FaithDiffFaithDiff 是一个基于扩散模型的真实世界图像修复与增强工具，发表于 CVPR 2025。它专注于经典电影修复、老照片翻新、社交媒体图像修复、图像增强以及★ 273
SPOSPO（Step-by-step Preference Optimization）是一个CVPR 2025的扩散模型后训练方法，旨在从通用人类偏好中提升文生图模★ 271
Recommendations-Diffusion-Text-Image这是一个聚焦扩散模型在文本与图像生成交叉领域应用的论文合集仓库，系统梳理了近年来扩散模型在视觉文本生成、字体生成、文本擦除、文本图像超分辨率、文本编辑、手写体生★ 270
StoryGenStoryGen 是一个基于潜在扩散模型的开源视觉故事生成系统，来自 CVPR 2024 论文。它解决的是如何根据一段文本描述自动生成连贯且语义一致的图像序列，★ 269
X-DynaX-Dyna 是一个基于扩散模型的动态人体图像动画生成工具，核心解决的是让静态人物照片“活起来”并跟随动作驱动生成自然视频的问题。它由字节跳动等机构提出，入选 ★ 268
Integrated-Design-Diffusion-ModelIDDM（Integrated Design Diffusion Model）是一个基于 PyTorch 的扩散模型集成实现，面向图像生成任务，支持潜在扩散模型★ 267
ReNoise-InversionReNoise-Inversion 是论文《ReNoise: Real Image Inversion Through Iterative Noising》的官★ 264
PhosphenePhosphene 是一个专为 Apple Silicon 设计的本地生成视频面板，它封装了 LTX-2 MLX 模型，支持联合音频与视频生成，并提供一键式 P★ 263
MultiWorldMultiWorld 是一个可扩展的多智能体多视角视频世界模型的开源实现，旨在通过扩散模型生成交互式视频，解决机器人领域对多智能体协同和动态环境建模的需求。该项★ 261
ConsistI2VConsistI2V 是一个面向图像到视频生成的开源项目，旨在解决生成视频中视觉一致性问题。它基于扩散模型，通过引入自运动估计和噪声初始化策略，将静态图片转换为★ 261
fm-boostingFMBoost 是一个基于流匹配（Flow Matching）的潜在扩散模型加速与增强工具，源自 ECCV 2024 Oral 论文。它针对 Stable Di★ 260
ConceptLabConceptLab 是论文《ConceptLab: Creative Generation using Diffusion Prior Constraints★ 255
Echo-MemoryEcho-Memory 是一个用于视频世界模型研究的简单基线项目，核心思路是引入显式记忆机制来提升视频生成的时间连贯性与物理合理性。它解决的是当前视频生成模型在★ 250
DiffSingerDiffSinger 是一个基于 PyTorch 的开源歌声合成（Singing Voice Synthesis）项目，核心思想是将浅层扩散机制（Shallow★ 247
FreeFuseFreeFuse 是一个用于多主体 LoRA 融合的图像生成工具，解决在测试时（推理阶段）将多个 LoRA 模型动态组合到单个图像生成中的问题。它基于自适应 t★ 246
FM-AD-SurveyFM-AD-Survey 是一个持续更新的综述论文仓库，专注于大型基础模型（Foundation Models）在自动驾驶场景生成与分析中的应用。它系统收集和整★ 244
FaceTalkFaceTalk 是一个基于音频驱动的 3D 数字人头像动画生成框架，来自 CVPR 2024。它利用扩散模型将语音音频转化为神经参数化头部模型（如 FLAME★ 239