懂AI

LLM-groundedDiffusion学习资料汇总 - 用大语言模型增强文本到图像扩散模型的提示理解

RayRay
LLM-grounded DiffusionTMLRHuggingFaceStable DiffusionGPT-4Github开源项目

LLM-groundedDiffusion

LLM-groundedDiffusion:增强文本到图像扩散模型的提示理解能力

LLM-groundedDiffusion (LMD) 是一个将大语言模型 (LLM) 与文本到图像扩散模型相结合的创新项目。该项目旨在通过利用 LLM 的强大语言理解能力,来增强扩散模型对复杂文本提示的理解和执行能力。

LLM-groundedDiffusion示意图

项目主要资源

  1. GitHub 代码仓库 - 包含完整的项目代码实现
  2. 项目论文 - 详细介绍了 LMD 的技术原理
  3. 项目主页 - 提供了项目概览和示例
  4. 在线演示 - 可以在线体验 LMD 的效果
  5. 5分钟博客介绍 - 简明扼要地解释了 LMD 的核心思想

技术特点

LLM-groundedDiffusion 的主要技术特点包括:

  • 利用 LLM 解析文本提示,生成中间表示(如图像布局)
  • 将 LLM 生成的中间表示输入到 Stable Diffusion 模型中
  • 提出了 LMD 和 LMD+ 两种方法,后者结合了 GLIGEN 适配器
  • 无需额外训练即可使用,可直接应用于现有的 SD 模型

快速上手

  1. 克隆代码仓库:
git clone https://github.com/TonyLianLong/LLM-groundedDiffusion.git
  1. 安装依赖:
pip install -r requirements.txt
  1. 生成图像:
python generate.py --prompt-type demo --model gpt-4 --save-suffix "gpt-4" --repeats 5 --frozen_step_ratio 0.5 --regenerate 1 --force_run_ind 0 --run-model lmd_plus --no-scale-boxes-default --template_version v0.1

性能评估

LLM-groundedDiffusion 在多个任务上显著优于基线方法:

性能评估结果

在否定、数值、属性绑定和空间关系等任务上,LMD+ (GPT-4) 的整体性能达到了 86.3%,远超原始的 Stable Diffusion 模型 (36.8%)。

扩展应用

除了静态图像生成,LLM-groundedDiffusion 的思想也被应用到了视频生成领域。感兴趣的读者可以查看 LLM-grounded Video Diffusion Models (LVD) 项目。

总结

LLM-groundedDiffusion 展示了将大语言模型与扩散模型结合的巨大潜力。通过简单的中间表示桥接,它显著提升了文本到图像生成的质量和可控性。该项目为 AI 生成内容领域开辟了新的研究方向,值得关注和进一步探索。

如果您对 LLM-groundedDiffusion 项目有任何问题或建议,欢迎在 GitHub Issues 中提出,或直接联系项目作者 Long (Tony) Lian: longlian@berkeley.edu。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表

爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型，支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。

olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多