SenseFlow

让扩散模型生成提速数倍，画质不掉线

SenseFlow 是一个基于流匹配的文本到图像扩散模型蒸馏框架，旨在解决扩散模型采样速度慢的问题。它通过分布匹配技术，将复杂的教师模型（如 Stable Diffusion）蒸馏为轻量级的学生模型，从而在保持生成质量的同时大幅减少采样步数。核心能力包括：支持多种蒸馏范式（如对抗蒸馏、一致性蒸馏）、提供可扩展的训练管线、以及与主流扩散模型生态的兼容性。该框架在 ICLR 2026 上发表，适合研究者和工程师用于加速图像生成推理，降低部署成本。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 117

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XingtongGe

所属国家

官网地址https://xingtongge.github.io/SenseFlow-page

GitHubhttps://github.com/XingtongGe/SenseFlow

定价模式free

价格说明开源项目，提供在线演示页面，可免费体验，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diffusion-distillation,diffusion-models,flow-matching,generative-ai,generative-model,text-to-image

GitHub 星标★ 117

30天Star增速

HF 下载量

上线时间2025-05-23 00:00:00

最近更新2026-09-20 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5

使用教程

核心亮点

基于分布匹配的蒸馏方法，理论扎实，能有效压缩模型
支持多种蒸馏策略，灵活适配不同生成任务
与现有扩散模型工具链集成良好，上手门槛较低

不足之处

项目处于早期阶段，文档和示例尚不完善
依赖特定硬件和框架版本，环境配置可能较复杂

适用场景

移动端或实时应用中的快速图像生成
降低云端图像生成服务的推理成本
在资源受限设备上部署高质量文本到图像模型

替代项目

SDXL-Turbo、LCM (Latent Consistency Models)、Adversarial Distillation

项目介绍

SenseFlow 是图像领域的开源项目，由 XingtongGe 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 117。

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 2026-09-20。提供在线演示页面，可免费体验，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：移动端或实时应用中的快速图像生成。同类可对比的替代方案包括 SDXL-Turbo、LCM (Latent Consistency Models)、Adversarial Distillation。

上一篇：Frido

下一篇：CHATS