Attend-and-Excite

让扩散模型生成时不再漏画主体，提升图文一致性

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署图像生成 🍴 复刻 62 🐛 待处理 8 👀 关注 13

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 772

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，MIT许可证，完全免费，需自行部署使用。

项目预览

Attend-and-Excite 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类图像生成

开发团队yuval-alaluf

官网地址https://yuval-alaluf.github.io/Attend-and-Excite

GitHubhttps://github.com/yuval-alaluf/Attend-and-Excite

定价模式🏷️完全免费

价格说明开源项目，MIT许可证，完全免费，需自行部署使用。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议MIT

主要语言Jupyter Notebook

技术栈/模型diffusion-models,stable-diffusion,text-to-image

GitHub 星标★ 772

上线时间2023-01-30 00:00:00

代码更新2024-01-26

仓库体积105.2 MB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数4

项目介绍

Attend-and-Excite 是 SIGGRAPH 2023 论文的官方实现，针对文本到图像扩散模型（如 Stable Diffusion）在生成时忽略提示词中某些主体（尤其是多个主体）的问题，提出基于注意力机制的语义引导方法。它通过优化生成过程中的交叉注意力图，确保每个主体词都被激活并得到充分表达，从而提升生成图像与文本描述的一致性，尤其在多物体、复杂场景下效果显著。核心能力包括：自动识别被忽略的 token、在去噪过程中迭代调整潜在表示、支持与现有扩散模型无缝集成。项目提供 Jupyter Notebook 演示，便于直观体验和二次开发。

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 ★ 772

技术标签

diffusion-models stable-diffusion text-to-image

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：高级约 40 分钟部署方式：本地安装 4 步

环境要求

NVIDIA GPU 12G+
Python 3.9+

安装与启动步骤

1克隆

通过干预交叉注意力，让每个主体都被画出来。

git clone https://github.com/yuval-alaluf/Attend-and-Excite.git
cd Attend-and-Excite

2建环境

官方脚本会建 conda 环境。
```
bash scripts/setup_env.sh
```
3下权重

需要 Stable Diffusion 底座。
```
bash scripts/download_models.sh
```
4跑提示词

多主体提示词是它的用武之地。
```
python run.py --prompt "a cat and a dog on a sofa"
```