可控图像生成
creatilayout.github.io
CreatiLayout是由复旦大学与字节跳动联合开发的布局引导图像生成服务平台，核心基于孪生多模态扩散变换器技术，主打细粒度可控的图像生成能力。平台支持用户上传自定义布局标注，可精准控制生成图像中元素的颜色、纹理、形状、数量及文本内容，还内置了多行业场景的布局模板库，覆盖平面设计、电商视觉、游戏原画等多个领域的需求。目标用户包含创意设计从业者、营销内容制作人员、AI图像研发人员、游戏美术设计师、电商运营人员等，可用于快速产出符合布局要求的商业物料、验证设计方案落地效果、开展多模态图像生成技术相关研究等场景。
differential-diffusion.github.io
Differential Diffusion是专注于细粒度可控图像生成与编辑的学术展示平台，核心基于差分扩散技术框架，支持区域自定义修改强度控制、渐变空间变化编辑、图像补全无缝融合三类核心功能，主要面向AI图像研究人员、数字内容创作者、交互设计开发者、计算机视觉专业学生等群体，可用于学术研究效果验证、创意图像处理、特定区域精细修图、图像补全实验等多种场景，平台无需用户额外训练模型，仅通过推理阶段即可完成所有编辑操作，支持与主流开源扩散模型集成使用。
hithqd.github.io
DynamicControl是专注于提升文本到图像扩散模型生成控制力的开源技术框架，核心定位是解决多控制信号组合下图像生成一致性不足的问题。其核心功能包括双循环控制器初始条件排序、多模态大语言模型条件评估优化、并行多控制适配器特征整合三大模块，支持用户灵活组合不同类型、数量的控制条件，实现更符合预期的图像生成效果。该框架面向AI图像生成领域的研究人员、算法工程师、AIGC应用开发者，可应用于可控图像生成算法研究、专业AI绘图工具开发、定制化图像生成系统搭建等场景，帮助使用者降低多条件控制下的图像生成偏差，提升生成结果与输入需求的匹配度。
liming-ai.github.io
ControlNet++是基于扩散模型开发的条件图像生成研究项目官网，核心定位是提升文本生成图像过程中的条件控制精准度。项目核心功能包括像素级循环一致性优化机制，可缩小生成图像与输入控制条件的偏差；支持单步去噪奖励微调策略，降低模型训练过程中的资源消耗；适配多种常见图像控制条件，覆盖姿态、深度、边缘等不同控制维度。目标用户为AI图像生成领域的研究人员、算法开发工程师、AIGC应用开发者，可用于学术研究中对比可控生成效果、工业场景下优化图像生成模型的控制精度、定制化AI绘图工具的底层能力迭代等场景。
ip-adapter.github.io
IP-Adapter是面向文本到图像扩散模型的轻量化适配工具，核心为预训练扩散模型提供图像提示支持，助力多模态图像生成任务。其核心功能包括解耦交叉注意力机制设计、多类可控生成工具兼容、多模态提示融合生成三类，目标用户覆盖AI图像生成研究者、AIGC应用开发者、视觉创意设计师、计算机视觉方向学生等群体，可应用于定制化图像生成、多模态创意落地、扩散模型功能扩展、批量图像风格迁移等场景，帮助用户在现有文本生成图像模型的基础上，低成本接入图像参考能力，提升生成结果的匹配度。