sd-vae-ft-ema

sd-vae-ft-ema

稳定扩散变分自编码器的增强版模型

sd-vae-ft-ema是一个基于LAION-Aesthetics和LAION-Humans数据集训练的稳定扩散变分自编码器。该模型在图像重建质量尤其是人脸细节方面优于原始VAE,具有更好的rFID、PSNR和SSIM指标表现,可作为扩散器工作流中的即插即用组件。

扩散模型开源项目Stable Diffusion模型图像重建机器学习Github自动编码器Huggingface

项目概述

sd-vae-ft-ema是一个经过改进的Stable Diffusion自动编码器项目。该项目主要对原始的kl-f8自动编码器进行了微调,旨在提升图像重建质量,特别是在人脸重建方面取得了显著改进。

技术特点

这个项目提供了两个经过微调的自动编码器版本:

  • ft-EMA版本:在原始模型基础上训练了31万多步,采用EMA权重,使用L1和LPIPS作为损失函数
  • ft-MSE版本:在ft-EMA基础上继续训练了28万步,更加注重MSE重建损失(MSE + 0.1 * LPIPS),能够产生更平滑的输出效果

训练数据

项目使用了两个主要数据集进行训练:

  • LAION-Aesthetics数据集
  • LAION-Humans数据集(未公开发布的人类图像子集) 这种数据集的组合旨在既保持原有的图像重建能力,又能提升对人脸细节的处理效果。

性能评估

通过在COCO 2017和LAION-Aesthetics数据集上的测试,改进版本展现出了优异的性能:

  • 在COCO数据集上,ft-EMA模型的rFID指标从4.99提升到4.42
  • 在LAION-Aesthetics数据集上,rFID指标从2.61大幅提升到1.77
  • 各项图像质量指标(PSNR、SSIM、PSIM)都有不同程度的提升

实际应用

这个改进的自动编码器可以无缝集成到现有的Diffusers工作流程中。开发者只需要在创建StableDiffusionPipeline时指定vae参数即可使用。通过简单的代码配置,就能获得更好的图像重建效果。

兼容性说明

为了保持与现有模型的兼容性,项目仅对解码器部分进行了微调。这意味着用户可以将其作为即插即用的组件,轻松替换原有的自动编码器,而不需要对整个工作流程做出大的改变。

技术优势

该项目最大的优势在于:

  • 提供了更好的图像重建质量
  • 特别改善了人脸重建效果
  • 保持了与现有系统的兼容性
  • 提供了两种不同特点的版本供选择
  • 完整的性能评估数据支持

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