Inicio Proyectos e4t-diffusion
e4t-diffusion
Python

e4t-diffusion

Implementación de ajuste de dominio basado en codificadores para la personalización rápida de modelos de texto a imagen

por mkshing · GitHub
Estrellas
Ramas
Licencia
Creado
Último commit
Categoría
Lenguaje
deep-learningdiffusion-modelsstable-diffusionMITPython
Ver en GitHub
En palabras simples

Personaliza modelos de texto a imagen rápidamente utilizando un modelo preentrenado para tipos de imágenes específicos, como rostros.

¿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 →
e4t-diffusion — GitHub preview card
📈 Historial de estrellas
325324
2026-07-202026-08-31
📈 Sigue e4t-diffusion

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

Implementación de ajuste de dominio basado en codificadores para la personalización rápida de modelos de texto a imagen

e4t-diffusion tiene 324 estrellas en GitHub. Se ha bifurcado 22 veces. e4t-diffusion está escrito principalmente en Python. Se desarrolla activamente desde 2023. e4t-diffusion está disponible bajo la licencia MIT. Sus temas principales son: deep-learning, diffusion-models, stable-diffusion, text-to-image.

Frequently asked questions

¿Qué es e4t-diffusion?

Implementación de ajuste de dominio basado en codificadores para la personalización rápida de modelos de texto a imagen

¿e4t-diffusion es de código abierto?

e4t-diffusion es un proyecto de código abierto. Se distribuye bajo la licencia MIT.

¿e4t-diffusion es gratis?

Sí. e4t-diffusion es gratuito y de código abierto: puedes usarlo, modificarlo y alojarlo tú mismo.

¿Bajo qué licencia está e4t-diffusion?

e4t-diffusion está disponible bajo la licencia MIT.

¿En qué lenguaje está escrito e4t-diffusion?

e4t-diffusion está escrito principalmente en Python.

🏅 ¿Mantenedor de este proyecto?
olud.ai badge — e4t-diffusion

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=mkshing-e4t-diffusion)](https://olud.ai/project/mkshing-e4t-diffusion.html)
Más opciones de distintivos →
🧬 Comparte ADN con🧬 Ver el mapa de ADN →
Attend-and-Excite
Implementación oficial para "Attend-and-Excite: Guía Semántica Basada en Atención para Modelos…
772 · diffusion-models
compartetext-to-imagestable-diffusion
MACE
[CVPR 2024] "MACE: Borrado Masivo de Conceptos en Modelos de Difusión" (Implementación Oficial)
393 · diffusion-models
compartetext-to-imagestable-diffusion
stable-diffusion-aesthetic-gradients
Personalización para Stable Diffusion a través de Gradientes Estéticos 🎨
741 · diffusion-models
compartetext-to-imagestable-diffusion
mixture-of-diffusers
Mezcla de Diffusers para composición de escenas y generación de imágenes de alta resolución
449 · ai
compartestable-diffusiondiffusion-models
flux-krea
Repositorio oficial de GitHub para FLUX.1 Krea [dev].
364 · diffusion-models
compartetext-to-imagediffusion-models
Dreambooth-Stable-Diffusion
Implementación de Dreambooth (https://arxiv.org/abs/2208.12242) con Stable Diffusion
7.7k · pytorch
compartetext-to-imagestable-diffusion
awesome-text-to-image-studies
Una colección de estudios impresionantes sobre generación de texto a imagen.
760 · artificial-intelligence
compartetext-to-imagediffusion-models
TokenFlow
Implementación oficial de Pytorch para "TokenFlow: Características de Difusión Consistentes par…
1.7k · iclr2024
compartetext-to-imagestable-diffusion
Wuerstchen
Implementación oficial de Würstchen: Preentrenamiento eficiente de modelos de texto a imagen
555 · diffusion-models
compartestable-diffusiondiffusion-models
CrossAttentionControl
Implementación no oficial de "Edición de Imágenes de Prompt a Prompt con Control de Atención Cr…
1.3k · cross-attention
compartestable-diffusiondiffusion-models

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