Home Progetti Attend-and-Excite
Attend-and-Excite

Attend-and-Excite

di yuval-alaluf · GitHub

Implementazione ufficiale per "Attend-and-Excite: Guida Semantica Basata su Attenzione per Modelli di Diffusione da Testo a Immagine" (SIGGRAPH 2023)

Visualizza su GitHub
In parole semplici

Genera immagini da descrizioni testuali utilizzando un modello AI avanzato che migliora la qualità dell'immagine.

⭐ Stelle
🍴 Fork
📜 Licenza
Uso commerciale consentito
📅 Creato
🔄 Ultimo commit
🏷️ Categoria
💻 Lingua
Mantieni questo progetto?

Rivendica la sua pagina: indicizzata qualunque sia il rango, tradotta in sei lingue e arricchita con le tue parole.

Rivendica questa pagina →
Attend-and-Excite — GitHub preview card
📈 Storia delle stelle
772770
2026-07-202026-07-29
📈 Segui Attend-and-Excite

Ricevi un avviso via email alla prossima release o quando decolla — non perderti nulla.

Gratis · senza carta · disdici quando vuoi
Ricevi avvisi via email →
📄 Informazioni

Implementazione ufficiale per "Attend-and-Excite: Guida Semantica Basata su Attenzione per Modelli di Diffusione da Testo a Immagine" (SIGGRAPH 2023)

Attend-and-Excite ha 770 stelle su GitHub. È stato forkato 63 volte. Attend-and-Excite è scritto principalmente in Jupyter Notebook. È in sviluppo attivo dal 2023. Attend-and-Excite è disponibile con licenza MIT. I suoi temi principali sono: diffusion-models, stable-diffusion, text-to-image.

Frequently asked questions

Che cos'è Attend-and-Excite?

Implementazione ufficiale per "Attend-and-Excite: Guida Semantica Basata su Attenzione per Modelli di Diffusione da Testo a Immagine" (SIGGRAPH 2023)

Attend-and-Excite è open source?

Attend-and-Excite è un progetto open source. È rilasciato con licenza MIT.

Attend-and-Excite è gratuito?

Sì. Attend-and-Excite è gratuito e open source: puoi usarlo, modificarlo e ospitarlo autonomamente.

Con quale licenza è Attend-and-Excite?

Attend-and-Excite è disponibile con licenza MIT.

In quale linguaggio è scritto Attend-and-Excite?

Attend-and-Excite è scritto principalmente in Jupyter Notebook.

🏅 Manutentore di questo progetto?
OpenSourceAI badge — Attend-and-Excite

Aggiungi questo badge live al tuo README — le tue stelle GitHub e il ranking della directory, aggiornati quotidianamente.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=yuval-alaluf-attend-and-excite)](https://opensourceai.tech/project/yuval-alaluf-attend-and-excite.html)
Altre opzioni di badge →
🧬 Condivide il DNA con
e4t-diffusion
Implementazione del tuning del dominio basato su encoder per la personalizzazione rapida dei mo…
324 · deep-learning
condividetext-to-imagediffusion-models
MACE
[CVPR 2024] "MACE: Mass Concept Erasure in Diffusion Models" (Implementazione ufficiale)
394 · diffusion-models
condividetext-to-imagediffusion-models
AlignProp
AlignProp utilizza la retropropagazione del premio diretto per l'allineamento di modelli di dif…
324 · alignment
condividetext-to-imagediffusion-models
mixture-of-diffusers
Miscela di Diffusori per composizione di scene e generazione di immagini ad alta risoluzione
449 · ai
condividediffusion-modelsstable-diffusion
cross-image-attention
Implementazione ufficiale per "Attenzione Cross-Image per Trasferimento di Aspetto Zero-Shot"
404 · appearance-transfer
condividetext-to-imagediffusion-models
stable-diffusion-aesthetic-gradients
Personalizzazione per Stable Diffusion tramite Gradienti Estetici 🎨
741 · diffusion-models
condividetext-to-imagediffusion-models
flux-krea
Repository ufficiale di GitHub per FLUX.1 Krea [dev].
364 · diffusion-models
condividetext-to-imagediffusion-models
Diffusion-Models-Papers-Survey-Taxonomy
Articoli, survey e tassonomia sui modelli di diffusione
3.4k · diffusion-models
condividetext-to-imagediffusion-models
InstructCV
[ ICLR 2024 ] Codice ufficiale per "InstructCV: Modelli di Diffusione Testo-Immagine Ottimizzat…
461 · diffusion-models
condividetext-to-imagediffusion-models
Dreambooth-Stable-Diffusion
Implementazione di Dreambooth (https://arxiv.org/abs/2208.12242) con Stable Diffusion
7.7k · pytorch
condividetext-to-imagestable-diffusion

Misurato dai topic GitHub comuni a entrambi i progetti, ponderati per la loro rarita.