Smooth-Diffusion

Smooth-Diffusion

提升扩散模型潜在空间平滑性的新方法

Smooth Diffusion是一种创新的扩散模型技术,通过优化潜在空间的平滑性来提升模型性能。这种方法在图像插值、反演和编辑任务中展现出显著优势,实现了更连续的过渡效果、更低的反演误差,以及更好的未修改内容保留。通过在训练过程中引入变化约束,Smooth Diffusion为扩散模型研究开辟了新方向。

Smooth Diffusion扩散模型图像生成潜在空间CVPR 2024Github开源项目

平滑扩散

这个仓库是 平滑扩散 的官方 PyTorch 实现。

Hugging Face 空间 项目页面 arXiv

平滑扩散:在扩散模型中构建平滑潜空间
郭佳怡*, 徐星乾*, 蒲一帆, 倪赞林, 王超飞, Manushree Vasu, 宋世继, 黄高, 史泰博

https://github.com/JiayiGuo821/Smooth-Diffusion-Dev/assets/53193040/f965242f-968e-4e62-845c-dd3374a70fcf

<p align="center"> <strong>平滑扩散</strong>是一种新型的扩散模型,既高性能又平滑。 </p> <p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/ff9d4c48-f88d-4f65-a5a9-d5a2478159a2.jpg" width="1080px"/> 我们的方法正式将潜空间平滑性引入像稳定扩散这样的扩散模型中。这种平滑性显著有助于:1) 改善图像插值中过渡的连续性,2) 减少图像反演中的近似误差,3) 在图像编辑中更好地保留未编辑的内容。 </p>

新闻

  • [2024.03.25] 我们的演示已在 🤗 Hugging Face 空间上线!
  • [2024.03.20] 代码、模型和演示已发布!
  • [2024.02.27] 平滑扩散被 CVPR 2024 接收!
  • [2023.12.08] 论文发布!

待办事项

  • ☑️ 发布代码和模型权重
  • ☑️ Gradio 演示

概述

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/206d40e8-4d3d-4a23-bd0a-025c49392a2f.jpg" width="1080px"/> <strong>平滑扩散</strong> (c) 确保输入潜变量的变化与输出预测的变化之比是一个常数。我们提出<strong>训练时平滑扩散</strong> (d) 来优化 (c) 中变化约束的"单步快照"。DM:扩散模型。更多细节请参考我们的论文。 </p>

代码

设置

conda create --name smooth-diffusion python=3.9
conda activate smooth-diffusion
pip install torch==2.0.0 torchvision==0.15.1 torchaudio==2.0.1
pip install -r requirements.txt

推理(Gradio 演示)

我们提供了由 Gradio 支持的 WebUI。使用以下命令启动 WebUI:

python app.py

训练

我们提供了数据下载和训练的脚本。不幸的是,由于安全审查,LAION 数据集目前不可用。[LAIOM.ai 官方说明]

# 下载 LAION aesthetics 6.5+
python download_regularization_images.py
# 训练平滑 LoRA
bash train.sh

可视化

图像插值

使用在 Stable Diffusion V1.5 之上训练的平滑 LoRA。

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/c03c1066-ba58-49d8-a7ed-8376da8da322.jpg" width="1080px"/> </p>

将上述平滑 LoRA 集成到其他社区模型中。

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/ae4b809a-634e-4af9-a56d-624f5bfc09e1.jpg" width="1080px"/> </p>

图像反演

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/ce0e7953-8c94-43ce-9281-973417bd1adf.jpg" width="1080px"/> </p>

图像编辑

<p align="center"> <img src="https://yellow-cdn.veclightyear.com/835a84d5/698f34f2-6fac-4e9a-9f6f-8f0915e70b7f.jpg" width="1080px"/> </p>

引用

如果您觉得我们的工作有帮助,请为这个仓库点星 🌟引用 📑我们的论文。感谢您的支持!

@InProceedings{guo2024smooth,
  title={Smooth Diffusion: Crafting Smooth Latent Spaces in Diffusion Models},
  author={Jiayi Guo and Xingqian Xu and Yifan Pu and Zanlin Ni and Chaofei Wang and Manushree Vasu and Shiji Song and Gao Huang and Humphrey Shi},
  booktitle={Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2024}
}

致谢

我们感谢 Diffusers(LoRA 微调)和 AlignSD(数据下载)。

联系方式

guo-jy20 at mails dot tsinghua dot edu dot cn

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