Início Projetos Attend-and-Excite
Attend-and-Excite

Attend-and-Excite

por yuval-alaluf · GitHub

Implementação Oficial para "Attend-and-Excite: Orientação Semântica Baseada em Atenção para Modelos de Difusão de Texto para Imagem" (SIGGRAPH 2023)

Ver no GitHub
Em palavras simples

Gere imagens a partir de descrições de texto usando um modelo de IA avançado que melhora a qualidade da imagem.

⭐ Estrelas
🍴 Forks
📜 Licença
Uso comercial permitido
📅 Criado
🔄 Último commit
🏷️ Categoria
💻 Linguagem
Mantem este projeto?

Reivindique a sua pagina: indexada seja qual for a posicao, traduzida em seis linguas e enriquecida com as suas palavras.

Reivindicar esta pagina →
Attend-and-Excite — GitHub preview card
📈 Histórico de estrelas
772770
2026-07-202026-07-29
📈 Acompanhe Attend-and-Excite

Receba um alerta por e-mail no próximo lançamento ou quando começar a bombar.

Grátis · sem cartão · cancele quando quiser
Receber alertas por e-mail →
📄 Sobre

Implementação Oficial para "Attend-and-Excite: Orientação Semântica Baseada em Atenção para Modelos de Difusão de Texto para Imagem" (SIGGRAPH 2023)

Attend-and-Excite tem 770 estrelas no GitHub. Foi bifurcado 63 vezes. Attend-and-Excite é escrito principalmente em Jupyter Notebook. Está em desenvolvimento ativo desde 2023. Attend-and-Excite está disponível sob a licença MIT. Os seus principais temas são: diffusion-models, stable-diffusion, text-to-image.

Frequently asked questions

O que é Attend-and-Excite?

Implementação Oficial para "Attend-and-Excite: Orientação Semântica Baseada em Atenção para Modelos de Difusão de Texto para Imagem" (SIGGRAPH 2023)

Attend-and-Excite é de código aberto?

Attend-and-Excite é um projeto de código aberto. É distribuído sob a licença MIT.

Attend-and-Excite é gratuito?

Sim. Attend-and-Excite é gratuito e de código aberto — você pode usá-lo, modificá-lo e hospedá-lo por conta própria.

Sob que licença está Attend-and-Excite?

Attend-and-Excite está disponível sob a licença MIT.

Em que linguagem Attend-and-Excite está escrito?

Attend-and-Excite é escrito principalmente em Jupyter Notebook.

🏅 Mantenedor deste projeto?
OpenSourceAI badge — Attend-and-Excite

Adicione este badge ao vivo ao seu README — suas estrelas do GitHub e classificação no diretório, atualizadas diariamente.

[![OpenSourceAI](https://opensourceai.tech/badge.php?tool=yuval-alaluf-attend-and-excite)](https://opensourceai.tech/project/yuval-alaluf-attend-and-excite.html)
Mais opções de badge →
🧬 Partilha ADN com
e4t-diffusion
Implementação de Ajuste de Domínio Baseado em Encoder para Personalização Rápida de Modelos de…
324 · deep-learning
partilhatext-to-imagediffusion-models
MACE
[CVPR 2024] "MACE: Mass Concept Erasure in Diffusion Models" (Implementação Oficial)
394 · diffusion-models
partilhatext-to-imagediffusion-models
AlignProp
AlignProp usa retropropagação de recompensa direta para o alinhamento de modelos de difusão de…
324 · alignment
partilhatext-to-imagediffusion-models
mixture-of-diffusers
Mistura de Diffusers para composição de cenas e geração de imagens de alta resolução
449 · ai
partilhadiffusion-modelsstable-diffusion
cross-image-attention
Implementação Oficial para "Atenção entre Imagens para Transferência de Aparência Zero-Shot"
404 · appearance-transfer
partilhatext-to-imagediffusion-models
stable-diffusion-aesthetic-gradients
Personalização para Stable Diffusion via Gradientes Estéticos 🎨
741 · diffusion-models
partilhatext-to-imagediffusion-models
flux-krea
Repositório oficial do GitHub para FLUX.1 Krea [dev].
364 · diffusion-models
partilhatext-to-imagediffusion-models
Diffusion-Models-Papers-Survey-Taxonomy
Artigos, pesquisas e taxonomia de modelos de difusão
3.4k · diffusion-models
partilhatext-to-imagediffusion-models
InstructCV
[ICLR 2024] Base de código oficial para "InstructCV: Modelos de Difusão Texto-para-Imagens Ajus…
461 · diffusion-models
partilhatext-to-imagediffusion-models
Dreambooth-Stable-Diffusion
Implementação do Dreambooth (https://arxiv.org/abs/2208.12242) com Stable Diffusion
7.7k · pytorch
partilhatext-to-imagestable-diffusion

Medido a partir dos topics do GitHub comuns aos dois projetos, ponderados pela sua raridade.