Story-Adapter官网 – 无需训练的长故事可视化框架

Inf-DiT 是清华大学与智谱AI联合推出的基于扩散模型的图像上采样方法，能够生成超高分辨率图像。该模型引入了单向块注意力机制(UniBA)，将生成过程中的空间复杂度从 O(N^2)降低到 O(N)，有效解决了传统扩散模型在生成大尺寸图像时内存消耗过高的问题。Inf-DiT 采用扩散变换器(DiT)结构，能够处理各种形状和分辨率的图像上采样任务，并通过全局图像嵌入和邻近低分辨率块的交叉注意力机制等技术，增强图像的局部和全局一致性。实验结果表明，Inf-DiT 在超高分辨率图像生成和超分辨率任务中均达到了 SOTA 性能。

Colorway AI 是一款创新的应用程序，可以将文本提示转换为独特的涂色书插图。用户只需输入任何文本提示，应用程序就会根据输入生成量身定制的涂色书插图。

DITTO-2是由Adobe和加州大学研究人员联合开发的基于扩散模型的音乐生成模型，旨在提升音乐生成的效率和可控性。它通过模型蒸馏技术和推理时间优化（ITO）显著提高了生成速度和控制精度，支持多种音乐编辑和生成功能，如音乐修复、扩展、强度调整、旋律控制和结构控制等。与传统模型相比，DITTO-2的生成效率提升了10-20倍，训练成本低，仅需在A100 GPU上训练约30小时。

HiDream-I1是HiDream.ai团队推出的开源图像生成基础模型，拥有17亿参数，采用MIT许可证。该模型在多项基准测试中（DPG-Bench/GenEval/HPSv2.1）超越SDXL、DALL-E 3等主流模型，支持秒级高质量图像生成。提供完整版、蒸馏版和极速版三种变体，适用于不同场景需求。技术层面融合扩散模型与混合专家架构（MoE），集成多模态文本编码器，在语义理解、细节渲染和风格多样性方面表现突出。

AttnGAN是微软开发的一种人工智能图像生成器，能够根据用户提供的文本描述生成对应的高质量图片。它通过训练模型使其理解文本与图像之间的关联，从而在生成图像时能够关注到文本描述的不同部分，确保生成的图像与描述内容高度一致，具有较强的实用性和灵活性。

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。

Deep Dream Generator是一个强大的在线工具，利用人工智能和深度学习技术，从简单输入生成独特且高质量的图像。该平台基于Stable Diffusion深度学习模型，提供了多种功能，允许用户从文本提示或基础图像中生成艺术作品。

Anole是一个开源的自回归原生多模态模型，专注于交错图像和文本的生成。它支持文本到图像生成、交错文本-图像生成、文本生成及多模态理解，旨在提供丰富的生成能力和理解能力。

Story-Adapter 是一个无需训练且计算高效的框架，专门用于长故事可视化。它通过迭代范式生成基于叙事的连贯图像，利用文本提示和之前生成的图像进行优化。其核心是一个全局参考交叉注意力模块，确保整个故事的语义一致性，同时最小化计算成本。该项目特别适用于长达100帧的故事场景，支持多种风格选择，如漫画、电影和现实主义风格。

IMGCreator是一个利用AI技术，根据用户的文本输入生成自定义图像的工具，支持多种风格和选项，包括真实照片、插图和动漫风格。

RPG是一种新的无需训练的文本到图像生成/编辑框架，利用多模态LLM的强大推理能力来增强文本到图像扩散模型的组合性。该系统将生成复杂图像的过程分解为子区域内的多个简单生成任务，实现区域化的组合式生成，集成文本引导的图像生成和编辑，显著提高了泛化能力。

《人体运动扩散模型》的论文代码，旨在高效生成和编辑人体运动，支持多种运动风格和动作捕捉数据。

Midjourney v6是一款重要的人工智能工具，特别是在文本到图像生成领域。

DreamTalk 是一个基于扩散模型的音频驱动表达性头部生成框架，能够生成具有多种说话风格的高质量头部视频。它支持多种输入类型，包括歌曲、多种语言的语音、含噪声音频和领域外的肖像画。该项目旨在通过先进的扩散概率模型，实现精准的唇音同步和生动的表情生成，适用于学术研究和非商业用途。

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。