terminus-xl-gamma-v1

terminus-xl-gamma-v1

高效图像生成与修复的潜在扩散模型

Terminus XL Gamma是采用零终端信噪比噪声调度的潜在扩散模型,能在文本提示下生成高质量图像,适用于艺术、广告和娱乐领域,尤其在图像修复方面表现出色。此外,该模型可用于图像超分辨率和风格转换等应用。建议使用者关注模型的潜在偏见,并避免用于有害内容生成。

潜在扩散模型图像修复Terminus XL Gamma图像生成HuggingfaceGithub开源项目模型噪声调度

Terminus XL Gamma 项目介绍

项目概述

Terminus XL Gamma 是一款最新的潜在扩散模型,采用的是零终端信噪比(SNR)噪声调度和速度预测目标进行训练和推理。它的架构基于 SDXL,布局结构相似,但步数较少,使用的则是通过 COCO 和 Midjourney 获取的高质量数据说明。尽管不如 SDXL 能生成多样的概念,但其目标在于使用最小 SNR gamma 损失,在单机 NVIDIA A100-80G 显卡上高效训练完整模型。

  • 开发者: pseudoterminal X (@bghira)
  • 赞助方: pseudoterminal X (@bghira)
  • 模型类型: 潜在扩散
  • 许可证: openrail++
  • 架构: SDXL

使用场景

直接使用

Terminus XL Gamma 可以根据文本提示生成高质量的图像,特别适合于修复任务(inpainting)。零终端 SNR 噪声调度能更有效地保持图像的对比度。该模型可应用于创意行业,比如艺术、广告和娱乐,帮助创造视觉上吸引人的内容。

进一步使用

模型可以微调用于特定任务,比如图像超分辨率和风格迁移等。

非适用的使用

该模型并非设计用于图像生成以外的任务,不应用于产生有害内容或误导他人。

偏见、风险与限制

模型可能存在训练数据中的偏见,生成的图像应仔细检查以确保符合伦理和社会标准。用户需谨慎审视潜在偏见,并在使用前仔细审核生成的内容。

训练细节

训练数据

模型的成功主要依赖于数量较少但质量非常高的数据样本:

  • LAION-HD,过滤到无水印的 EXIF 样本,样本亮度值上限到 100(0.5)。
  • Midjourney 5.2 数据集 ptx0/mj-general,无额外过滤。

训练过程

前处理遵循 SDXL 的预训练过程,使用裁剪的条件输入和中心裁剪的图像作为输入。从 512x512 开始训练,然后是 768x768,最后是约 100 万像素的多比例训练。图像按比例缩小并按 64 像素增量裁剪。许多比例被训练,但只有少数能够正常工作。

训练超参数

  • 训练模式: bf16 混合精度
  • 学习率: 从 (4 \times 10^{-7}) 到 (8 \times 10^{-7}),余弦调度
  • 周期: 60
  • 批处理大小: 24 * 15 = 360

技术规格

模型架构和目标

该模型使用的是与 SDXL 兼容的潜在扩散架构,带有独特的最小 SNR 增强速度目标。

计算基础设施

[更多信息待补充]

环境影响

  • 硬件类型: [更多信息待补充]
  • 使用小时数: [更多信息待补充]
  • 云服务提供商: [更多信息待补充]
  • 计算地区: [更多信息待补充]
  • 碳排放量: [更多信息待补充]

总结

Terminus XL Gamma 是一款专注于高质量图像生成的潜在扩散模型,特别是对富有创意行业可以提供有力的支持,尽管在多样化概念生成方面存在一些局限性,但在特定任务应用中表现出色。使用过程中需注意潜在偏见和伦理审核。

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