SGDiff 是图像领域的开源项目，由 YangLing0818 开发，2022 年首次发布。
它收录于图像分类，该分类目前共有 839 个项目，GitHub 星标数为 78。
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 2026-08-07。无在线服务，需自行部署，完全免费。
它主要面向的使用场景是：学术研究：复现论文方法并扩展场景图生成方向。同类可对比的替代方案包括 SG2Im、SceneGraph2Image、ControlNet。
SGDiff
从场景图到图像，精准控制物体关系生成
SGDiff 是一个基于扩散模型的场景图生成图像的开源实现，对应论文《Diffusion-Based Scene Graph to Image Generation with Masked Contrastive Pre-Training》。它解决的是从结构化场景图（描述物体及关系）生成对应图像的问题，相比传统文本到图像，能更精细地控制物体间的关系和布局。核心能力包括：利用掩码对比预训练增强场景图编码器，使模型更好地理解局部关系；结合扩散模型逐步生成高分辨率图像，并支持条件控制。项目提供完整训练和推理代码，适合研究场景图到图像生成、可控图像合成等方向。
开源
free
图像生成
GitHub 星标
★ 78
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YangLing0818
所属国家
定价模式free
价格说明开源项目，无在线服务，需自行部署，完全免费。
访问状态
是否开源是
开源协议
主要语言Python
技术栈/模型diffusion-models,scene-graph,text-to-image
GitHub 星标★ 78
30天Star增速
HF 下载量
上线时间2022-11-19 00:00:00
最近更新2026-08-07 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2
使用教程
核心亮点
- 提出掩码对比预训练，提升场景图编码对局部关系的捕捉能力
- 基于扩散模型，生成图像质量高且支持条件控制
- 官方实现，代码完整，便于复现论文实验
不足之处
- 项目处于早期阶段，文档和社区支持较少
- 依赖特定数据集和训练配置，上手门槛较高
适用场景
- 学术研究：复现论文方法并扩展场景图生成方向
- 可控图像生成：通过编辑场景图控制生成内容
- 视觉关系理解：探索结构化语义到像素的映射
替代项目
SG2Im、SceneGraph2Image、ControlNet
项目介绍
下一篇：text-to-image
同类项目推荐
satori
开源
网页代码一键变高清图，放大不糊，不用截图
Enlightened library to convert HTML and CSS to SVG
C2GAN
开源
用关键点精准控制图像生成，让AI画出你想要的结构
[ACM MM 2019 Oral] Cycle In Cycle Generative Adversarial Networks for Keypoint-Guide···
stable-diffusion-webui
开源
打开网页说想法，配图素材几秒到手
Stable Diffusion web UI
ComfyUI
开源
像搭积木一样连节点，生图流程自己搭
The most powerful and modular diffusion model GUI, api and backend with a graph/node···