dpm-solver
扩散 概率模型采样解算器
DPM-Solver及其改进版DPM-Solver++是高阶解算器，专为扩散ODE设计，无需额外训练，适用于离散和连续时间的扩散模型。实验表明，DPM-Solver在10到20次函数评估内生成高质量样本。该项目已广泛应用于Stable-Diffusion、DeepFloyd-IF等知名项目，支持多种采样与扩散模型，并集成于Diffusers等流行库。
DPM-Solver 项目介绍
项目背景
DPM-Solver 是一种专注于扩散概率模型(Deffusion Probabilistic Models, DPM)的高效求解器，能够在大约 10 步内提供快速的 ODE 求解方案。该项目体现在两篇论文中：Neurips 2022 Oral 论文《DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps》和《DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models》。这些论文由多位学者联合完成，其代码已公开。
核心功能
DPM-Solver 及其改进版本 DPM-Solver++，是一种具有收敛阶数保证的高阶求解器，专为扩散 ODE 设计。它能够不需要额外训练，即可适用于离散时间和连续时间的扩散模型。实验证明，DPM-Solver 能在各种数据集上只需 10 到 20 次函数评估就能生成高质量样本。
应用场景
DPM-Solver 和 DPM-Solver++ 已在多个扩散模型中成功应用，包括：
- DreamStudio 和 StableBoost：利用该工具进行稳定性提升和模型加速。
- Stable-Diffusion-WebUI：广受欢迎的 web 接口，其支持 DPM-Solver 和二次改进版 DPM-Solver++ 的加速求解。
- Diffusers：这是一款被广泛使用的扩散模型库，支持多种建模方法。
- Stable-Diffusion 官方代码：DPM-Solver 被应用于此并能在 Hugging Face 平台上运行，提速两倍。
实现技术
- DPM-Solver 支持各种采样类型：包括无条件采样、分类器指导采样以及无分类器指导采样。
- 采用高阶的单步和多步求解方法，可以提升高分辨率图像的样本质量，尤其是在指导采样下。
- 适配现有的扩散模型，不需要对模型进行重新训练。
使用示例
多种使用场景已通过示例代码展示：
- 稳定扩散 (Stable-Diffusion)：使用 2 阶多步法 DPM-Solver++ 作为默认求解器，通过命令行配置减少推理时间。
- 深度佛洛伊德 (DeepFloyd-IF)：针对不同阶段的模型训练与推理需求，推荐 SDE 版本用于第一阶段，而 ODE 版本则用于后续整型。
- 图像编辑 (DiffEdit)：通过 DPM-Solver 进行的快速样本生成与编辑示例，仅需 20 步。
支持的模型与算法
支持四种类型的扩散模型训练目标，提供强大的指导采样能力。此外，DPM-Solver 实现了两种核心算法：DPM-Solver 和 DPM-Solver++，其中的动态阈值法能进一步提升像素空间 DPM 的样本质量。
代码与文档
详细的代码示例和 API 文档帮助用户快速上手，自定义和加入自己的扩散模型变得易如反掌，支持 Pytorch 和 JAX 框架，给予开发者广泛的灵活性。
总体而言，DPM-Solver 提供了一种高效处理扩散概率模型采样的新方式，实现了不需要额外训练、快速生成高质量样本的目标，适用于广泛的图像合成与编辑任务。通过详细的文档和实例，可以轻松地将这一工具应用于自己的项目中。
编辑推荐精选
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
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
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
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
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 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
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
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
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 ×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。
推荐工具精选
AI云服务特惠
懂AI专属折扣关 注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号