FreeDrag

FreeDrag

创新的特征拖拽图像编辑框架

这个开源项目提出了FreeDrag,一种无需点追踪的图像编辑框架。它通过自适应特征更新和线性搜索技术,提升了语义拖拽的稳定性和效率。FreeDrag适用于多种复杂场景,支持StyleGAN和扩散模型,可编辑真实和生成图像。

FreeDrag图像编辑特征拖拽StyleGAN2点追踪Github开源项目
<p align="center"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/8aca8d68-4d67-4247-99d0-d5d5369ee6be.png"> </p>

FreeDrag:用于可靠的基于点的图像编辑的特征拖拽(CVPR 2024)

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/04d859b0-ca03-46d4-915f-736dab12a940.png"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/5e90b8b3-3443-4588-a049-190fc3be5f84.png"> </p>

可视化

![]

网页演示(在11种不同的StyleGAN2模型中进行在线拖拽编辑)

在OpenXLab中打开

FreeDrag:用于可靠的基于点的图像编辑的特征拖拽的官方实现。

本仓库提出了FreeDrag,这是一个新颖的交互式基于点的图像编辑框架,无需繁琐且不稳定的点追踪过程🔥🔥🔥。

摘要

为满足复杂多样的图像编辑需求,精确灵活地操作图像内容至关重要。近期,基于拖拽的编辑方法取得了令人印象深刻的表现。然而,这些方法主要集中在点拖拽上,导致两个值得注意的缺点,即"追踪遗漏",即难以准确追踪预定的控制点,以及"模糊追踪",即追踪的点可能被错误定位在与控制点相似的区域。为解决上述问题,我们提出了FreeDrag,这是一种旨在摆脱点追踪负担的特征拖拽方法。FreeDrag包含两个关键设计,即通过自适应更新的模板特征和带回溯的线搜索。前者通过精心控制每次拖拽后的特征更新尺度,提高了对剧烈内容变化的稳定性,而后者通过主动限制线上的搜索区域,缓解了来自相似点的误导。这两项技术共同贡献于更稳定、效率更高的语义拖拽。全面的实验结果证实,我们的方法显著优于现有方法,即使在各种复杂场景中也能提供可靠的基于点的编辑。

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/8209c4c5-d45f-4563-93f9-94b7e3d061aa.png"> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/d0db324e-ea34-4c41-b2e4-276b4cf976ed.png"> </p>

📜 新闻

[2024/03/06] FreeDrag被CVPR 2024接收。

[2023/12/11] 更新后的FreeDrag,包含StyleGAN和扩散模型的实现,现已可用。

[2023/12/8] 基于扩散模型的FreeDrag现已可用,支持对真实图像和生成图像进行拖拽编辑。

[2023/7/31] OpenXLab上的网页演示(StyleGAN)现已可用。

[2023/7/28] 真实图像编辑功能现已可用。

[2023/7/15] 本地演示的代码现已可用!💥

[2023/7/11] 论文项目页面已发布!

💡 亮点

  • FreeDrag本地演示
  • FreeDrag网页演示
  • 基于扩散的FreeDrag

🛠️使用方法

首先克隆我们的仓库

git clone --depth=1 https://github.com/LPengYang/FreeDrag

要创建新环境,请遵循NVlabs/stylegan2-ada的要求。

**注意:**在某些设备上可能会出现错误(设置PyTorch插件"bias_act_plugin"...失败或"upfirdn2d_plugin"...失败),我们希望这些潜在的解决方案(1234)在这种情况下能有所帮助。

然后安装额外的依赖

pip install -r requirements.txt

接着下载stylegan2的预训练模型

bash download_models.sh

**注意:**第一个模型(人脸模型)在某些情况下下载速度可能非常慢。这种情况下,建议重新开始下载(有时会奏效)或直接从此链接下载,请下载正确的模型(ffhq-512×512),将其重命名为"faces.pkl",并手动将其放入创建的checkpoints文件夹中(在所有其他模型下载完成后)。

最后,初始化gradio平台以进行交互式点基操作

CUDA_LAUNCH_BLOCKING=1 python FreeDrag_gradio.py

您也可以上传自己的图片并进行编辑。为了实现高质量的图像反演,建议确保上传图像的分辨率和风格(如布局)与相应模型生成的图像一致。不同模型的分辨率列表如下:

模型人脸大象狮子自行车长颈鹿汽车教堂metface
分辨率51225651251210242565125125122561024

提出的FreeDragBench数据集可在网站上获取。

❤️致谢

许可证

所有使用或修改自StyleGAN2的代码均遵循Nvidia源代码许可证。 与FreeDrag算法相关的代码仅允许用于个人活动。基于扩散的FreeDrag是基于DragDiffusion实现的。

✒️ 引用

如果您发现我们的工作对您的研究有帮助,请考虑引用以下BibTeX条目。

@article{ling2023freedrag, title={Freedrag: Point tracking is not you need for interactive point-based image editing}, author={Ling, Pengyang and Chen, Lin and Zhang, Pan and Chen, Huaian and Jin, Yi}, journal={arXiv preprint arXiv:2307.04684}, year={2023} }

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