MDT

MDTv2图像合成模型：更快收敛和卓越性能

Masked Diffusion Transformer 图像合成深度学习人工智能计算机视觉 Github 开源项目

MDTv2是一种先进的深度学习图像合成模型，在ImageNet数据集上实现了1.58的FID分数，创造新的业界标准。该模型采用掩码潜在建模技术，提高了图像语义理解能力，学习速度比先前模型快10倍以上。MDTv2在图像生成质量和训练效率方面都有显著提升，为计算机视觉和人工智能领域带来了新的可能性。

DMD2 - 改进分布匹配蒸馏的快速图像合成技术

AI绘图DMD2Github图像生成开源项目文本生成图像模型蒸馏

DMD2是一种改进的分布匹配蒸馏技术，用于快速图像合成。通过消除回归损失、集成GAN损失和支持多步采样，该技术显著提升了图像生成的质量和效率。在ImageNet-64x64和COCO 2014数据集上，DMD2的FID评分超越原始模型，同时将推理成本降低500倍。此外，DMD2还能生成百万像素级图像，在少步方法中展现出卓越的视觉效果。

ml-mdm - 开源框架实现高分辨率文本到图像生成模型

GithubMatryoshka Diffusion Models开源项目文本到图像生成深度学习神经网络模型高分辨率图像合成

ml_mdm是一个Python开源项目,实现了Matryoshka扩散模型技术用于文本到图像生成。该框架支持训练单个像素空间模型生成高达1024x1024分辨率的图像,开源了U-Net和嵌套U-Net的实现。项目提供预训练模型、Web演示和CC12M数据集上的训练教程,为高分辨率图像和视频合成提供完整解决方案。

edm2 - 优化扩散模型训练动态的创新技术

EDM2GithubPyTorch图像生成开源项目扩散模型训练动态

EDM2项目开发了改进扩散模型训练动态的新方法。通过重新设计网络层来维持激活、权重和更新幅度的期望值，该方法显著提高了模型效果。在ImageNet-512图像合成中，EDM2使FID得分从2.41提升到1.81。项目还引入了训练后调整指数移动平均(EMA)参数的技术，可精确设置EMA长度，为模型优化开辟新途径。

MIMDet - 掩码图像建模应用于目标检测的开源项目

GithubMIMDet卷积神经网络实例分割开源项目物体检测视觉变换器

MIMDet是一个利用掩码图像建模技术的开源项目，能够提升预训练的Vanilla Vision Transformer在目标检测中的表现。此框架采用混合架构，用随机初始化的卷积体系取代预训练的大核Patchify体系，实现多尺度表示无需上采样。在COCO数据集上的表现亮眼，使用ViT-Base和Mask R-CNN模型时，分别达到51.7的框AP和46.2的掩码AP；使用ViT-L模型时，成绩分别是54.3的框AP和48.2的掩码AP。

Generative-AI - 多模态图像合成与编辑技术及其分类

Data ModalityGenerative AIGithubMultimodal Image Synthesis and EditingTaxonomyVisual AIGC开源项目

该项目附有一篇综述论文，全面分析了多模态图像合成与编辑（MISE）和视觉AIGC的发展情况，并根据数据模态和模型架构进行了分类研究。通过此项研究，科研人员和技术开发者可以深入了解神经渲染、扩散方法、自回归方法及对抗生成网络（GAN）等不同技术及其应用，帮助更好地掌握多模态图像合成技术的前沿进展与实际应用。

stable-diffusion-2-depth - 基于深度感知的Stable Diffusion AI图像生成模型

GithubHuggingfaceStable Diffusion人工智能图像生成开源项目机器学习模型深度学习

stable-diffusion-2-depth是基于Stable Diffusion 2的深度感知AI图像生成模型。它在原有基础上增加了处理MiDaS深度预测的输入通道，实现了额外的条件控制。该模型能够根据文本提示生成和修改高分辨率图像，主要应用于AI安全部署研究、模型局限性探索和艺术创作等领域。作为开源项目，stable-diffusion-2-depth为AI图像生成技术的进步提供了新的可能性。

Realistic_Vision_V2.0 - AI驱动的高品质摄影级图像生成模型

AI绘图GithubHuggingfaceMage.Space关键词提示图像生成开源项目模型高质量照片

Realistic_Vision_V2.0是一个开源的AI图像生成模型，专门用于创建逼真的肖像和场景。该模型支持8K超高清输出，能够呈现精细的皮肤纹理和自然的光线效果。为优化生成结果，模型提供了专门的提示模板和负面提示建议。结合特定的VAE和推荐参数，Realistic_Vision_V2.0能够生成高度写实、专业品质的图像。

Open-MAGVIT2 - 自回归视觉生成新突破大幅提升图像分词性能

GithubOpen-MAGVIT2图像分词器大规模词表开源项目自回归模型视觉生成

Open-MAGVIT2是一个创新的自回归视觉生成项目，采用无查找技术和262144大小的码本，克服了VQGAN的局限性。该项目用PyTorch重新实现MAGVIT2分词器，在图像分词方面取得显著进展，8倍下采样时rFID达到0.39。项目致力于推动自回归视觉生成领域发展，目前处于积极开发阶段，未来计划拓展至视频生成领域。

MVDream - 多视角扩散模型实现高质量3D内容生成

3D生成AI视觉GithubMVDream多视角扩散模型开源项目深度学习

MVDream是一个开源的多视角扩散模型项目，用于3D内容生成。项目在GitHub上提供两个代码仓库：多视角扩散模型（https://github.com/bytedance/MVDream）和集成SDS技术的3D生成（https://github.com/bytedance/MVDream-threestudio）。由字节跳动研究团队开发，为计算机视觉和3D生成领域提供新的工具和方法。

MultiDiffusion - 基于预训练模型的多功能可控的图像生成框架

GithubMultiDiffusion可控生成图像生成开源项目扩散模型文本到图像

MultiDiffusion 是一个统一框架，通过预训练的文字转图像扩散模型，实现多功能且可控的图像生成，无需进一步训练或微调。该框架支持用户使用各种控制信号，如纵横比和空间引导信号，生成高质量、多样化的图像。MultiDiffusion 优化了多重扩散生成过程，使用一组共享参数或约束，支持局部和全局编辑，适用于如烟雾、火焰和雪等半透明效果。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com