guided-diffusion
Guided-Diffusion 是一个用于图像生成的开源工具，基于扩散模型改进而来，通过引入分类器引导机制提升生成图像的可控性和质量。它解决了传统GAN在图像合成中易出现模式崩溃、训练不稳定等问题，同时优化了扩散模型的生成效率与多样性。工具提供了多种分辨率的预训练模型（如64x64、256x256、512x512等）及对应的上采样器，支持从分类器条件模型中生成符合特定类别的图像。开发者和研究人员可利用其提供的采样脚本（如classifier_sample.py）快速生成样本，且模型支持自定义参数调整。其技术亮点包括对分类器条件的深度集成、架构优化以及丰富的预训练资源，适合需要高质量图像生成且具备一定技术背景的用户使用。
使用场景
某电商平台的视觉设计团队需要为新品生成高质量产品图，但传统图像生成工具无法满足风格化、细节精度和批量生成的需求。
没有 guided-diffusion 时
- 依赖人工绘制或低精度AI生成，单张图片制作耗时2小时以上
- 生成图像缺乏真实感，商品纹理、光影效果不自然
- 无法实现特定艺术风格（如水彩、赛博朋克）的批量生成
- 每次生成需反复调整参数，人工修正成本高
- 小尺寸商品（如64x64像素）生成模糊，无法满足电商详情页需求
使用 guided-diffusion 后
- 通过分类器引导生成，单张图片制作时间缩短至15分钟
- 支持高清细节生成（512x512分辨率），商品质感接近真实照片
- 可直接调用预训练模型生成水彩/赛博朋克等风格图片
- 批量生成时自动适配不同尺寸（64x64→512x512）
- 无需人工干预，自动生成符合电商规范的图片素材
核心价值：通过分类器引导的高质量图像生成，实现电商视觉内容的高效、精准生产。
运行环境要求
- Linux
- macOS
需要 NVIDIA GPU，显存 8GB+，CUDA 11.7+
16GB+
快速开始
guided-diffusion
这是扩散模型在图像合成中击败GANS论文的代码库。
本仓库基于openai/improved-diffusion，进行了分类器条件和架构改进。
下载预训练模型
我们已发布论文中主要模型的检查点。在使用这些模型前，请查看对应的model card了解这些模型的预期用途和限制。
以下是每个模型检查点的下载链接：
- 64x64分类器：64x64_classifier.pt
- 64x64扩散：64x64_diffusion.pt
- 128x128分类器：128x128_classifier.pt
- 128x128扩散：128x128_diffusion.pt
- 256x256分类器：256x256_classifier.pt
- 256x256扩散：256x256_diffusion.pt
- 256x256扩散（非分类条件）：256x256_diffusion_uncond.pt
- 512x512分类器：512x512_classifier.pt
- 512x512扩散：512x512_diffusion.pt
- 64x64 → 256x256上采样器：64_256_upsampler.pt
- 128x128 → 512x512上采样器：128_512_upsampler.pt
- LSUN卧室：lsun_bedroom.pt
- LSUN猫：lsun_cat.pt
- LSUN马：lsun_horse.pt
- LSUN马（无dropout）：lsun_horse_nodropout.pt
从预训练模型采样
要使用这些模型进行采样，可以使用classifier_sample.py、image_sample.py和super_res_sample.py脚本。
此处我们提供了从所有这些模型进行采样的标志。
我们假设您已将相关模型检查点下载到名为models/的文件夹中。
对于这些示例，我们将生成100个样本，批量大小为4。您可以自由更改这些值。
SAMPLE_FLAGS="--batch_size 4 --num_samples 100 --timestep_respacing 250"
分类器引导
请注意，在这些采样运行中，您可以设置--classifier_scale 0来从基础扩散模型进行采样。
在这种情况下，您也可以使用image_sample.py脚本而不是classifier_sample.py。
- 64x64模型：
MODEL_FLAGS="--attention_resolutions 32,16,8 --class_cond True --diffusion_steps 1000 --dropout 0.1 --image_size 64 --learn_sigma True --noise_schedule cosine --num_channels 192 --num_head_channels 64 --num_res_blocks 3 --resblock_updown True --use_new_attention_order True --use_fp16 True --use_scale_shift_norm True"
python classifier_sample.py $MODEL_FLAGS --classifier_scale 1.0 --classifier_path models/64x64_classifier.pt --classifier_depth 4 --model_path models/64x64_diffusion.pt $SAMPLE_FLAGS
- 128x128模型：
MODEL_FLAGS="--attention_resolutions 32,16,8 --class_cond True --diffusion_steps 1000 --image_size 128 --learn_sigma True --noise_schedule linear --num_channels 256 --num_heads 4 --num_res_blocks 2 --resblock_updown True --use_fp16 True --use_scale_shift_norm True"
python classifier_sample.py $MODEL_FLAGS --classifier_scale 0.5 --classifier_path models/128x128_classifier.pt --model_path models/128x128_diffusion.pt $SAMPLE_FLAGS
- 256x256模型：
MODEL_FLAGS="--attention_resolutions 32,16,8 --class_cond True --diffusion_steps 1000 --image_size 256 --learn_sigma True --noise_schedule linear --num_channels 256 --num_head_channels 64 --num_res_blocks 2 --resblock_updown True --use_fp16 True --use_scale_shift_norm True"
python classifier_sample.py $MODEL_FLAGS --classifier_scale 1.0 --classifier_path models/256x256_classifier.pt --model_path models/256x256_diffusion.pt $SAMPLE_FLAGS
- 256x256模型（无条件）：
MODEL_FLAGS="--attention_resolutions 32,16,8 --class_cond False --diffusion_steps 1000 --image_size 256 --learn_sigma True --noise_schedule linear --num_channels 256 --num_head_channels 64 --num_res_blocks 2 --resblock_updown True --use_fp16 True --use_scale_shift_norm True"
python classifier_sample.py $MODEL_FLAGS --classifier_scale 10.0 --classifier_path models/256x256_classifier.pt --model_path models/256x256_diffusion_uncond.pt $SAMPLE_FLAGS
- 512x512模型：
MODEL_FLAGS="--attention_resolutions 32,16,8 --class_cond True --diffusion_steps 1000 --image_size 512 --learn_sigma True --noise_schedule linear --num_channels 256 --num_head_channels 64 --num_res_blocks 2 --resblock_updown True --use_fp16 False --use_scale_shift_norm True"
python classifier_sample.py $MODEL_FLAGS --classifier_scale 4.0 --classifier_path models/512x512_classifier.pt --model_path models/512x512_diffusion.pt $SAMPLE_FLAGS
上采样
对于这些运行，我们假设您有一些基础样本存储在名为64_samples.npz或128_samples.npz的文件中，分别对应两个模型。
- 64 → 256:
MODEL_FLAGS="--attention_resolutions 32,16,8 --class_cond True --diffusion_steps 1000 --large_size 256 --small_size 64 --learn_sigma True --noise_schedule linear --num_channels 192 --num_heads 4 --num_res_blocks 2 --resblock_updown True --use_fp16 True --use_scale_shift_norm True"
python super_res_sample.py $MODEL_FLAGS --model_path models/64_256_upsampler.pt --base_samples 64_samples.npz $SAMPLE_FLAGS
- 128 → 512:
MODEL_FLAGS="--attention_resolutions 32,16 --class_cond True --diffusion_steps 1000 --large_size 512 --small_size 128 --learn_sigma True --noise_schedule linear --num_channels 192 --num_head_channels 64 --num_res_blocks 2 --resblock_updown True --use_fp16 True --use_scale_shift_norm True"
python super_res_sample.py $MODEL_FLAGS --model_path models/128_512_upsampler.pt $SAMPLE_FLAGS --base_samples 128_samples.npz
LSUN 模型
这些模型是类别无关的，对应于单个 LSUN 类别。在这里，我们展示了如何从 lsun_bedroom.pt 中采样，但其他两个 LSUN 检查点也适用：
MODEL_FLAGS="--attention_resolutions 32,16,8 --class_cond False --diffusion_steps 1000 --dropout 0.1 --image_size 256 --learn_sigma True --noise_schedule linear --num_channels 256 --num_head_channels 64 --num_res_blocks 2 --resblock_updown True --use_fp16 True --use_scale_shift_norm True"
python image_sample.py $MODEL_FLAGS --model_path models/lsun_bedroom.pt $SAMPLE_FLAGS
可以通过修改 dropout 标志来从 lsun_horse_nodropout.pt 中采样：
MODEL_FLAGS="--attention_resolutions 32,16,8 --class_cond False --diffusion_steps 1000 --dropout 0.0 --image_size 256 --learn_sigma True --noise_schedule linear --num_channels 256 --num_head_channels 64 --num_res_blocks 2 --resblock_updown True --use_fp16 True --use_scale_shift_norm True"
python image_sample.py $MODEL_FLAGS --model_path models/lsun_horse_nodropout.pt $SAMPLE_FLAGS
请注意，对于这些模型，最佳采样结果来自使用 1000 个时间步：
SAMPLE_FLAGS="--batch_size 4 --num_samples 100 --timestep_respacing 1000"
结果
此表总结了我们对纯引导扩散模型的 ImageNet 结果：
| 数据集 | FID | 精度 | 召回率 |
|---|---|---|---|
| ImageNet 64x64 | 2.07 | 0.74 | 0.63 |
| ImageNet 128x128 | 2.97 | 0.78 | 0.59 |
| ImageNet 256x256 | 4.59 | 0.82 | 0.52 |
| ImageNet 512x512 | 7.72 | 0.87 | 0.42 |
此表展示了在使用上采样和引导时高分辨率的最佳结果：
| 数据集 | FID | 精度 | 召回率 |
|---|---|---|---|
| ImageNet 256x256 | 3.94 | 0.83 | 0.53 |
| ImageNet 512x512 | 3.85 | 0.84 | 0.53 |
最后，这里是针对单个 LSUN 类别的无引导结果：
| 数据集 | FID | 精度 | 召回率 |
|---|---|---|---|
| LSUN卧室 | 1.90 | 0.66 | 0.51 |
| LSUN猫 | 5.57 | 0.63 | 0.52 |
| LSUN马 | 2.57 | 0.71 | 0.55 |
训练模型
扩散模型的训练在 父仓库 中有描述。训练分类器类似。我们假设您已将训练超参数存入 TRAIN_FLAGS 变量，分类器超参数存入 CLASSIFIER_FLAGS 变量。然后您可以运行：
mpiexec -n N python scripts/classifier_train.py --data_dir path/to/imagenet $TRAIN_FLAGS $CLASSIFIER_FLAGS
请确保将 TRAIN_FLAGS 中的 batch size 除以您使用的 MPI 进程数。
以下是训练 128x128 分类器的标志。您可以修改这些标志以训练其他分辨率的分类器：
TRAIN_FLAGS="--iterations 300000 --anneal_lr True --batch_size 256 --lr 3e-4 --save_interval 10000 --weight_decay 0.05"
CLASSIFIER_FLAGS="--image_size 128 --classifier_attention_resolutions 32,16,8 --classifier_depth 2 --classifier_width 128 --classifier_pool attention --classifier_resblock_updown True --classifier_use_scale_shift_norm True"
对于从 128x128 分类器引导模型中采样，使用 25 步 DDIM：
MODEL_FLAGS="--attention_resolutions 32,16,8 --class_cond True --image_size 128 --learn_sigma True --num_channels 256 --num_heads 4 --num_res_blocks 2 --resblock_updown True --use_fp16 True --use_scale_shift_norm True"
CLASSIFIER_FLAGS="--image_size 128 --classifier_attention_resolutions 32,16,8 --classifier_depth 2 --classifier_width 128 --classifier_pool attention --classifier_resblock_updown True --classifier_use_scale_shift_norm True --classifier_scale 1.0 --classifier_use_fp16 True"
SAMPLE_FLAGS="--batch_size 4 --num_samples 50000 --timestep_respacing ddim25 --use_ddim True"
mpiexec -n N python scripts/classifier_sample.py \
--model_path /path/to/model.pt \
--classifier_path path/to/classifier.pt \
$MODEL_FLAGS $CLASSIFIER_FLAGS $SAMPLE_FLAGS
若要不使用 DDIM 进行 250 步采样，请将 --timestep_respacing ddim25 替换为 --timestep_respacing 250，并将 --use_ddim True 替换为 --use_ddim False。
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。