Attend-and-Excite

让扩散模型生成时不再漏画主体，提升图文一致性

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。

开源 free 图像生成

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 768

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yuval-alaluf

所属国家

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

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

定价模式free

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

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★ 768

30天Star增速

HF 下载量

上线时间2023-01-30 00:00:00

最近更新2026-09-21 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

基于注意力引导，能有效解决多主体生成时漏画或错画的问题
官方实现，算法严谨，有 SIGGRAPH 论文背书
提供交互式 Notebook，上手体验直观

不足之处

实现依赖特定扩散模型版本，迁移到其他模型需适配
文档和社区支持相对有限，需自行阅读论文理解细节

适用场景

多物体图像生成，如“一只猫和一只狗”
需要精确控制生成内容与文本描述一致的场景
扩散模型生成质量优化研究

替代项目

Composable Diffusion、Stable Diffusion Attention Control、Prompt-to-Prompt

项目介绍

Attend-and-Excite 是图像领域的开源项目，由 yuval-alaluf 开发，2023 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 768。

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 2026-09-21。MIT许可证，完全免费，需自行部署使用。

它主要面向的使用场景是：多物体图像生成，如“一只猫和一只狗”。同类可对比的替代方案包括 Composable Diffusion、Stable Diffusion Attention Control、Prompt-to-Prompt。

上一篇：text2art

下一篇：awesome-text-to-image-studies