AnimeGANv3
AnimeGANv3 是一款强大的开源人工智能工具，旨在帮助用户轻松将普通照片或视频转化为风格独特的动画作品。它有效解决了传统图像风格化处理中常见的速度慢、画面闪烁或细节丢失等痛点，让用户能够快速生成高质量、连贯性强的动漫风格影像。
无论是希望尝试创意玩法的普通用户，还是需要高效原型验证的设计师、开发者及研究人员，都能从中受益。普通用户可通过预置模型一键转换人像为吉卜力、皮克斯、迪士尼等多种流行画风；专业用户则可利用其开放的代码、训练数据及 ONNX、TensorRT、RKNN 等多平台推理支持，进行深度定制与性能优化。
其核心技术基于一种新颖的“双尾生成对抗网络”架构，在保持快速推理的同时显著提升了画面稳定性与艺术表现力。项目持续更新，不仅新增了油画、素描、8 位像素等多种风格模型，还提供了专为肖像优化的高效推理仓库，兼顾易用性与扩展性。如果你渴望探索图像到动画的无限可能，AnimeGANv3 值得尝试。
使用场景
一位独立游戏开发者正在为一款复古风格的视觉小说制作角色立绘，需要将大量真人参考照片快速转化为统一的动画风格素材。
没有 AnimeGANv3 时
- 美术成本高昂：聘请画师手绘每张立绘费用昂贵，且对于只有单人开发的项目来说预算难以承受。
- 风格难以统一：不同批次绘制或不同画师产出的线条与上色习惯存在差异，导致角色在场景中显得突兀。
- 迭代效率低下：当需要调整角色表情或发型时，必须重新委托画师修改，沟通成本高且等待周期长。
- 视频素材缺失：若想制作动态开场动画，将真人实拍视频转为动画帧几乎不可能手动完成，工作量巨大。
使用 AnimeGANv3 后
- 一键批量转换：利用其支持的“宫崎骏”或“皮克斯”等多样式模型，开发者可将数百张真人照片瞬间转化为高质量动画立绘。
- 风格高度一致：基于同一训练模型生成的图像，在线条勾勒和色彩渲染上保持完美一致，确保游戏视觉体验流畅。
- 实时快速迭代：开发者可随时更换输入照片或切换风格模型（如从“可爱风”切至"8 位像素风”），几分钟内即可预览新效果。
- 动态内容生成：借助其对视频的处理能力，轻松将真人短剧片段转换为动画过场，极大丰富了游戏的叙事表现力。
AnimeGANv3 通过高效的风格迁移技术，让个人开发者也能以极低的成本和专业级的质量，独立完成从静态立绘到动态影像的动画化创作。
运行环境要求
- Windows
- Linux
- macOS
- 非必需
- 支持 CPU 推理（ONNX 模型）
- 可选 NVIDIA GPU 加速或特定硬件加速（如 TensorRT, RKNN, Core ML for iOS）
- 具体显存和 CUDA 版本未在提供的片段中明确说明，但提到 Tiny 模型可在 iPhone 14 上以 50 FPS 运行
未说明
快速开始
AnimeGANv3
论文标题：一种用于快速照片动画的新型双尾生成对抗网络。
让我们使用AnimeGANv3来制作属于自己的动画。
📢 更新
2025-08-22新增了面向吉卜力风格c1的人像转换模型。其模型文件和训练数据已开源。Ghibli-o1风格的训练数据可在此获取这里。2025-02-16发布了基于TensorRT的模型转换与推理仓库。2024-12-15发布了基于rknn的模型转换与推理仓库。2024-11-27迪士尼和特朗普风格更新至2.0版本。2024-10-31新增了AnimeGANv3的一种新风格：人像转皮克斯风格。 :jack_o_lantern:2024-08-28发布了一个更适合基于AnimeGANv3模型进行人像风格推理的仓库。强烈推荐。🔥2023-12-10新增了一种人像转油画风格的AnimeGANv3模型。其onnx文件可在这里找到。2023-11-23代码和论文正式发布。 🦃2023-10-31新增了三种AnimeGANv3的新风格：人像转可爱风、8bit风格和素描0风格。 :ghost:2023-09-18新增了一种面部转Kpop风格的AnimeGANv3模型。2023-01-16新增了一个用于推理AnimeGANv3 onnx模型的AnimeGANv3-photo.exe工具。2023-01-13新增了一种面部转漫画风格的AnimeGANv3模型。2022-12-25新增了北欧神话风格的小型模型（2.4MB）以及美国风格2.0版。在iPhone 14上，使用512*512分辨率的输入时，最高可达50 FPS。 :santa:2022-11-24新增了一种面部转北欧神话风格的AnimeGANv3模型。🦃2022-11-06新增了一种面部转迪士尼风格的AnimeGANv3模型V1.0。2022-10-31新增了一种面部转美国卡通和迪士尼风格的AnimeGANv3模型V1.0。 :jack_o_lantern:2022-10-07AnimeGANv3的美国卡通风格已集成到ProfileProfile中，并使用了Core ML技术。请通过Apple Store下载并试用。2022-09-26官方在线演示已通过Gradio集成到Huggingface Spaces平台中。2022-09-24新增了一种优秀的AnimeGANv3模型，用于将面部转换为美国卡通风格。2022-09-18更新了一种新的AnimeGANv3模型，用于将照片转换为宫崎骏风格。2022-08-01新增了一个AnimeGANv3 onnx模型(Colab)用于面部转《英雄联盟：激斗峡谷》风格。2022-07-13新增了一个AnimeGANv3 onnx模型(Colab)用于面部转人像素描。2021-12-25AnimeGANv3的论文将于2022年发表。 :christmas_tree:
🎮 使用方法
官方在线演示已在发布。
下载此仓库，并使用AnimeGANv3的UI工具和预训练的*.onnx文件，将你的照片变成动漫风格。 :blush:
🛠️ 安装步骤
克隆仓库
git clone https://github.com/TachibanaYoshino/AnimeGANv3.git cd AnimeGANv3安装依赖包
pip install -r requirements.txt使用*.onnx进行推理
python deploy/test_by_onnx.py -i inputs/imgs/ -o output/results -m deploy/AnimeGANv3_Hayao_36.onnx使用*.onnx将视频转换为动漫
python tools/video2anime.py -i inputs/vid/1.mp4 -o output/results -m deploy/AnimeGANv3_Hayao_36.onnx
🚀 风景图演示
:fire: 视频转宫崎骏风格动画
:art: 照片转宫崎骏风格
更多惊喜 👈
:art: 照片转新海诚风格
更多惊喜 👈
🚀 人像风格演示
该论文已于2022年完成。人像风格化研究是该论文的延伸。
一些展示 👈
:art: 脸部转美国卡通风格
https://github.com/user-attachments/assets/9644b1f5-78a4-4dcd-9da0-0186fbf5ab94
:art: 脸部转迪士尼卡通风格
| v1.9 | v2.0 |
|---|---|
:art: 脸部转吉卜力-c1风格
:art: 脸部转特朗普风格
| v1.9 | v2.0 |
|---|---|
更多惊喜 👈
:art: 脸部转《英雄联盟：双城之战》风格
https://github.com/user-attachments/assets/ab082d32-cc77-4c89-92c1-6a50cfa6a77b
:art: 人像转漫画风格
https://github.com/user-attachments/assets/3e999a8e-a331-46f6-863c-c01fd50591c8
:art: 脸部转K-pop风格
https://github.com/user-attachments/assets/3a59537c-fff2-4c86-8462-d53b07ff596b
:art: 人像转油画风格
更多惊喜 👈
:art: 人像转可爱风格
https://github.com/user-attachments/assets/0b105ee7-8116-4456-931c-ec196200e288
:art: 人像转皮克斯风格
https://github.com/user-attachments/assets/d9c4e931-3b3c-4b03-9531-63d9e391b4df
:art: 人像转素描-0风格
https://github.com/user-attachments/assets/ed3f3511-4583-41d8-aad9-e47fdd2f5c32
:art: 人像转8bit风格
:art: 人脸转肖像素描
| 输入 | 人脸 | 全景图 |
|---|---|---|
 |
 |
 |
 |
 |
 |
更多惊喜 👈
🔨 训练
1. 下载数据集和预训练的 VGG19
2. 进行边缘平滑
cd tools && python edge_smooth.py --dataset Hayao --img_size 256
3. 进行超像素分割
cd tools && python visual_superPixel_seg_image.py
4. 训练
python train.py --style_dataset Hayao --init_G_epoch 5 --epoch 100
✒️ 引用
如果您觉得本仓库对您的项目有所帮助，请参考以下引用格式：
@article{Liu2024dtgan,
title={一种用于快速照片动画的新颖双尾生成对抗网络},
author={Gang LIU 和 Xin CHEN 和 Zhixiang GAO},
journal={IEICE 信息与系统汇刊},
volume={E107.D},
number={1},
pages={72-82},
year={2024},
doi={10.1587/transinf.2023EDP7061}
}
:scroll: 许可协议
本仓库免费向学术及非学术机构开放，仅限于非商业用途，如学术研究、教学和科学出版。只要您同意本许可条款，即可使用 AnimeGANv3。如需商业用途，请通过电子邮件联系我们，以获取授权书。
:e-mail: 作者
Asher Chan asher_chan@foxmail.com
版本历史
v1.1.02023/11/23v1.0.32023/11/23常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。