DMIT

解耦图像内容与风格，一键实现多域图像翻译

DMIT 是一个基于 PyTorch 的图像到图像翻译工具，源自 NeurIPS 2019 论文。它通过解耦表征学习，将图像内容与风格分离，从而在多个映射域之间灵活转换。项目主要解决传统图像翻译模型难以处理多域映射、风格耦合的问题，核心能力包括季节转换、语义图像合成以及文本引导的图像编辑。用户可以利用它实现如夏季到冬季的场景变换、根据语义标签生成逼真图像，或通过文本描述调整图像属性。尽管星标数不高，但作为学术原型，其方法在后续研究中具有参考价值，适合研究者复现实验或在此基础上扩展。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 114

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Xiaoming-Yu

所属国家

官网地址

GitHubhttps://github.com/Xiaoming-Yu/DMIT

定价模式free

价格说明开源项目，MIT许可证，完全免费，可自行部署使用。

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-to-image-translation,season-transfer,semantic-image-synthesis,text-to-image

GitHub 星标★ 114

30天Star增速

HF 下载量

上线时间2019-09-04 00:00:00

最近更新2026-07-29 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

基于 NeurIPS 2019 论文，方法有学术创新性，解耦表征提升多域翻译灵活性
支持季节转换、语义合成、文本到图像等多种任务，应用场景广泛
代码结构清晰，便于研究者复现和二次开发

不足之处

文档/社区待观察
项目维护不活跃，依赖旧版 PyTorch，可能需自行适配

适用场景

学术研究：复现论文实验或作为基线对比
创意设计：快速生成不同季节或风格的图像素材
多模态学习：探索图像内容与风格解耦的算法验证

替代项目

CycleGAN、MUNIT、StarGAN

项目介绍

DMIT 是计算机视觉领域的开源项目，由 Xiaoming-Yu 开发，2019 年首次发布。

它收录于计算机视觉分类，该分类目前共有 446 个项目，GitHub 星标数为 114。

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 2026-07-29。MIT许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：学术研究：复现论文实验或作为基线对比。同类可对比的替代方案包括 CycleGAN、MUNIT、StarGAN。

上一篇：Anomagic

下一篇：PerCo