ShEPhERD开源项目 – 创新的药物分子设计AI工具

一个强大的Blender插件，利用扩散模型实现自动化纹理生成。该插件能够直接在Blender内为3D模型生成高质量的纹理，同时支持局部重绘、LoRA模型和IP-Adapter的应用。通过深度ControlNet技术，确保生成的纹理与3D几何特征相符，且支持多纹理着色和UV投影等高级功能，极大地提升了3D创作的效率和质量。

AniTalker是一个开源项目，通过身份解耦的面部动作编码技术，生成生动多样的说话面部动画。它能够从单张图片和音频中生成动态视频，支持生成超过3分钟的超长视频，并且能够匹配表情和头部动作。AniTalker采用通用的运动表示法捕捉复杂面部动态，利用自监督学习策略实现精确的运动描述，并通过扩散模型生成多样且可控的面部动画。项目分为两个阶段，第一阶段聚焦于动作编码器和渲染模块的训练，第二阶段基于diffae和espnet进行扩散训练。AniTalker提供了一个demo，用户可以使用特定的音频输入和图片，生成对应的动画效果，并鼓励社区成员进行进一步的开发和贡献。

Awesome-Robotics-Diffusion是一个专注于机器人学习领域扩散模型的精选资源库。它汇集了40多篇前沿的学术论文，涵盖了机器人操作、导航、规划等多种任务。该项目提供了丰富的代码和数据资源，旨在助力研究人员和开发者在机器人学习与扩散模型结合方面的研究和开发工作。

该研究提出了一种分析理论框架，用于理解扩散模型的学习动力学，揭示了学习过程中存在的幂律谱偏现象。通过分析线性去噪器，该框架解释了为何扩散模型在学习不同方差的数据特征时表现出速度差异，并为改进扩散模型的训练和数据预处理提供了理论指导。研究结果在高斯和图像数据集上得到验证，对理解和优化生成模型训练具有重要意义。

MindDiffusion是一个基于MindSpore框架的扩散模型集合，支持多种任务，性能优化，包含预训练模型，可快速部署，并提供详细的文档和示例。

扩散模型的极速推理工具，能快速处理复杂的图像生成任务，提升模型运行效率

OutfitAnyone是由阿里巴巴开发的基于扩散模型的2D虚拟试穿框架，旨在解决现有虚拟试穿技术在生成高保真、细节一致结果时遇到的挑战。该项目支持任何服装和任何人的虚拟试穿，具有广泛的应用场景，如电商、时尚设计等。项目目前已在ModelScope和Hugging Face上提供体验版本，用户可以通过上传服装图像进行虚拟试穿。

Diffuse to Choose是一种基于扩散模型的图像条件修复技术，专为虚拟试穿场景设计，能够在快速推理的同时保持高保真细节，并确保语义操作的准确性。该模型通过将参考图像的细粒度特征直接合并到主扩散模型的潜在特征图中，并使用感知损失进一步保留参考项的细节，从而在图像修复和增强方面表现出色。

smalldiffusion 是一个用于训练和采样扩散模型的简单易读的代码库，支持从最简单的玩具模型到最先进的预训练模型的实验。其核心代码只有不到100行，基于PyTorch框架，非常适合快速理解和实验。

Diffusion Model Based Posterior Sampling for Noisy Linear Inverse Problems，该项目利用扩散模型进行后验采样，专门用于处理带有噪声的线性逆问题。

专为物理AI设计的世界基础模型平台，旨在帮助物理AI开发者更好更快地构建物理AI系统。

该项目展示了如何利用扩散模型生成高性能的神经网络参数。通过自动编码器提取潜在表示，并训练扩散模型从随机噪声合成这些表示，从而生成新的网络参数子集。

《Hands-On Generative AI with Transformers and Diffusion Models》一书的配套资源库，包含完整的代码示例和练习答案，适合想要系统学习生成式AI的开发者使用。

BD3-LM（Block Diffusion Language Model）是一种创新的语言模型，旨在通过结合自回归模型和离散扩散模型的优点，显著提升语言建模任务的性能。它通过在token块上执行自回归，并在每个块内进行离散扩散，实现了灵活且高效的建模方式。该模型特别适用于生成任意长度的序列，展现了其在自然语言处理领域的潜力。

利用torchao和diffusers优化扩散模型的端到端方案，支持推理和FP8训练，旨在提升模型的性能和效率。