LLM-groundedDiffusion

LLM-groundedDiffusion

优化文本到图像合成的提示理解能力

本项目通过将大型语言模型(LLM)与文本到图像扩散模型结合,提高了提示理解能力。LLM负责解析文本请求,生成中间表示如图像布局,最终通过稳定扩散模型生成高质量图像。项目支持多种生成方法和开源模型,用户可自行设置实现自托管,从而节约API调用成本。项目更新频繁,包括支持高分辨率生成和集成SDXL精炼器等功能。

LLM-grounded DiffusionTMLRHuggingFaceStable DiffusionGPT-4Github开源项目

LLM-grounded Diffusion 项目介绍

项目背景

在现代科技中,生成具有高质量和准确性的图像一直是计算机科学的重要课题之一。LLM-grounded Diffusion (LMD)通过将大语言模型(LLM)与图像扩散模型结合,从而能够提升从文本到图像生成过程中对提示的理解能力,旨在提高生成图像的清晰度和准确度。

项目核心原理

LLM-grounded Diffusion 的工作流程如下:

  1. 文本提示:用户提供一个简单的描述或提示。
  2. 大语言模型作为请求解析器:该模型负责处理和解析提示,生成中间表示,如图像布局。
  3. 中间表示生成:基于解析的结果生成一个图像布局,这一步可能包含对背景和否定提示的理解。
  4. 扩散模型稳定生成图像:最终利用稳定扩散模型(Stable Diffusion)将布局转化为高质量的图像。

这种方法通过增加处理理解层,使模型不仅能够生成图像,还能更好地理解和处理复杂的文本描述和要求。

项目更新与支持特性

  1. 无API调用的自托管选项:通过Mixtral-8x7B-Instruct-v0.1等,可以在自身的服务器上运行LMD/LMD+以获得良好的效果。
  2. SDXL图像精炼器支持:新增加对高分辨率和高质量图像生成的支持。
  3. 开源模型集成:支持多种开源LLM,有助于降低使用成本,增加使用灵活性。

实现方式和基准结果

LLM-grounded Diffusion 实现了多种从布局到图像的方法,包括:

  • LMD:利用原始SD权重进行图像生成,不需要训练。
  • LMD+:在LMD基础上增补GLIGEN接头,提升生成效果。

这些方法的性能在多个基准测试中展示了优异的结果,尤其是在理解否定语、数量关系、属性绑定和空间关系的场景下,使用LMD+可以达到近乎完美的理解和生成表现。

如何使用

  • 安装分步引导

    • 使用包括pip安装所需的依赖项。
    • 完成后可选择使用OpenAI的API或者手动将输入复制到ChatGPT,以便在本地生成布局。
  • 文本到布局生成

    • 支持自动化和手动模式,只需几行代码便可实现从文本到布局的生成。
  • 布局到图像生成

    • 提供生成脚本和基础模型,使用户能够轻松进行布局到图像的生成。

其他特性

  • 并行与可重开的图像生成:支持多GPU与服务器的并行处理。
  • 模块化架构:不同的方法在不同的文件里独立实现,易于扩展和修改。
  • 网络UI支持:为不想编程或运行任何代码的用户准备了基于Web的用户界面。

联系与致谢

如有疑问,请联系 Long (Tony) Lian:longlian@berkeley.edu。该项目借鉴了许多开源代码,包括diffusers、GLIGEN等,所有未从其他仓库引入的代码均遵循MIT许可证。

总之,LLM-grounded Diffusion 提供了一种创新的、灵活的方式来优化从文本到图像的生成过程,为研究人员和开发人员创造了新的可能性。

编辑推荐精选

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

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。

下拉加载更多