Inicio Proyectos PixelSmile
PixelSmile
Python

PixelSmile

PixelSmile: Edición de expresiones faciales de alta precisión con control continuo, reducción de entrelazado semántico y fuerte preservación de identidad.

por Ammmob · GitHub
Estrellas
Ramas
Licencia
Creado
Último commit
Lenguaje
diffusion-modelsfacial-expression-editinggenerative-modelsApache-2.0Python
Ver en GitHub
En palabras simples

Edita expresiones faciales en imágenes con control preciso mientras mantienes la identidad de los sujetos.

¿Mantienes este proyecto?

Reivindica su pagina: indexada sea cual sea su posicion, traducida a seis idiomas y enriquecida con tus propias palabras.

Reivindicar esta pagina →
PixelSmile — GitHub preview card
📈 Historial de estrellas
476475
2026-07-202026-08-31
📈 Sigue PixelSmile

Recibe una alerta por correo en su próximo lanzamiento o cuando despegue — no te pierdas nada.

Gratis · sin tarjeta · cancela cuando quieras
Recibir alertas por email →
📄 Acerca de

PixelSmile: Edición de expresiones faciales de alta precisión con control continuo, reducción de entrelazado semántico y fuerte preservación de identidad.

PixelSmile tiene 475 estrellas en GitHub. Se ha bifurcado 22 veces. PixelSmile está escrito principalmente en Python. Se desarrolla activamente desde 2026. PixelSmile está disponible bajo la licencia Apache-2.0. Sus temas principales son: diffusion-models, facial-expression-editing, generative-models, image-editing.

Frequently asked questions

¿Qué es PixelSmile?

PixelSmile: Edición de expresiones faciales de alta precisión con control continuo, reducción de entrelazado semántico y fuerte preservación de identidad.

¿PixelSmile es de código abierto?

PixelSmile es un proyecto de código abierto. Se distribuye bajo la licencia Apache-2.0.

¿PixelSmile es gratis?

Sí. PixelSmile es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿Bajo qué licencia está PixelSmile?

PixelSmile está disponible bajo la licencia Apache-2.0.

¿En qué lenguaje está escrito PixelSmile?

PixelSmile está escrito principalmente en Python.

🏅 ¿Mantenedor de este proyecto?
olud.ai badge — PixelSmile

Agrega este distintivo en vivo a tu README — tus estrellas de GitHub y rango en el directorio, actualizados diariamente.

[![olud.ai](https://olud.ai/badge.php?tool=ammmob-pixelsmile)](https://olud.ai/project/ammmob-pixelsmile.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →
Paint-by-Example
Pintar por Ejemplo: Edición de Imágenes Basada en Ejemplares con Modelos de Difusión
1.3k · computer-vision
comparteimage-editingdiffusion-models
BrushEdit
[en revisión] La implementación oficial del artículo "BrushEdit: Edición y Relleno de Imágenes…
587 · diffusion-models
comparteimage-editingdiffusion-models
PNDM
La implementación oficial de Métodos Numéricos Pseudo para Modelos de Difusión en Variedades (P…
356 · diffusion-models
compartegenerative-modelsdiffusion-models
Voost
[SIGGRAPH Asia 25] Voost: Un transformador de difusión unificado y escalable para prueba virtua…
340 · diffusion-models
comparteimage-editingdiffusion-models
MagicBrush
[NeurIPS'23] "MagicBrush: Un Conjunto de Datos Anotado Manualmente para Edición de Imágenes Gui…
411 · diffusion-models
comparteimage-editingdiffusion-models
RISE
[RSS 2026] Código para RISE: Política de Robot Auto-Mejorante con Modelo Mundial Composicional
323 · diffusion-models
compartegenerative-modelsdiffusion-models
UniPic
Modelo de edición de múltiples imágenes SOTA de código abierto
870 · aigc
comparteimage-editingdiffusion-models
FlashVideo
[AAAI-2026]FlashVideo: Fluidez en la Fidelidad de Detalle para Generación Eficiente de Video de…
462 · diffusion-models
compartegenerative-modelsdiffusion-models
score_sde
Código oficial para Modelado Generativo Basado en Puntajes a través de Ecuaciones Diferenciales…
1.8k · controllable-generation
compartegenerative-modelsdiffusion-models
LFM
Implementación oficial en PyTorch del artículo: Coincidencia de flujo en espacio latente
356 · conditional-normalizing-flows
compartegenerative-modelsdiffusion-models

Medido a partir de los topics de GitHub comunes a ambos proyectos, ponderados por su rareza.