WORK WITH TOOLIFAI

合作

选择与我们合作的方式。

联系我们

通过联系页与我们沟通合作细节,或直接在提交入口上传产品信息。确认合作后我们会发送 Stripe 账单,付款完成后 48 小时内上线。

Toolifai logoToolifai

开始输入以搜索。

搜索场景与工具

输入关键词开始查找。

↑↓ 导航↵ 打开场景 + 工具 · Ctrl/⌘ K

TAG

扩散模型 工具。

全部标签

共收录 128 款与「扩散模型」相关的 AI 工具,按站内热度排序;每张卡片可直达详情页查看定价、平台支持与同类对比。

扩散模型是基于概率扩散原理生成内容的生成式AI技术,可通过逐步去噪生成符合提示的图像、视频等多模态内容。它解决了传统生成模型产出内容质量不稳定、可控性弱的痛点,能适配多样化的创意生产需求。选型时优先匹配自身算力条件与生成场景的精度要求即可。

PSHuman

PSHuman是专注于单张图像3D人体重建的技术框架展示站点,核心基于多视图扩散模型与显式重构技术,可从普通单张人像照片生成高还原度的3D人体模型。站点核心功能包含单图3D人体重建演示、重建效果可视化对比、技术论文与开源代码资源下载,主要面向计算机视觉领域研究者、3D内容创作者、游戏动画开发人员等群体,可应用于数字人制作、影视角色建模、人体姿态分析等多个场景,无需多视角拍摄设备即可完成人体3D数据的快速生成,降低3D人体资源制作的前期采集成本。

TryOffDiff

TryOffDiff是基于扩散模型的服装重建技术工具,核心作用是从单张人物穿搭照片中生成标准化的无模特服装图像。核心功能包括高保真服装纹理还原、复杂图案细节保留、服装规范形态提取三类,支持直接输出符合电商展示标准的白底服装图,无需大量人工修图操作。目标用户覆盖电商服装商家、虚拟试穿技术研发人员、计算机视觉领域研究者等群体,可用于电商产品图制作、服装数据集构建、扩散模型效果测试等多个场景。

CHOIS

CHOIS全称为Controllable Human-Object Interaction Synthesis,是面向人机交互动作生成领域的开源技术项目,核心定位是可控的人与物体交互动作合成工具。核心功能包括根据自然语言描述生成对应的人与物体协同运动序列、结合初始状态与稀疏路径点约束输出符合物理规则的交互动作、通过接触约束保障手物交互与地面支撑的合理性。目标用户覆盖计算机图形学研究者、游戏动画开发人员、虚拟场景制作从业者、机器人运动规划研发人员等,可应用于3D动画内容制作、虚拟数字人交互动作开发、机器人行为模拟训练、元宇宙场景交互内容搭建等场景,帮助用户降低复杂交互动作的制作与研发成本。

CAP4D

CAP4D是基于可变形多视图扩散模型打造的4D人像化身生成技术平台,核心面向数字内容创作、3D建模相关从业者与研究人员。平台支持多参考图像输入生成不同视角、表情的人像画面,可将生成内容适配为可控4D化身,同时提供开源代码供技术研究与二次开发。用户可在游戏角色制作、虚拟主播形象定制、VR场景数字人搭建等场景中使用该技术,降低4D数字人创作的技术门槛,提升数字人建模的还原度与渲染效率。 · 开源

Imagine Flash

Imagine Flash是Meta Research推出的扩散模型加速技术研究站点,核心定位是公布基于后向蒸馏的扩散模型优化方案。核心功能包括后向蒸馏框架的技术原理展示、动态知识转移机制的实验数据公开、噪声校正技术的效果对比,目标用户覆盖AI图像生成领域的研究人员、算法开发工程师、高校计算机专业师生,使用场景包括优化现有文生图模型的生成效率、低步骤图像生成方案的学术研究、扩散模型落地应用的性能提升参考。

RealFill

RealFill是基于扩散模型的图像补全生成工具,核心定位是为多场景图像缺失区域填充提供符合原始场景特征的生成方案。核心功能包括参考图像驱动的个性化模型微调、场景一致性内容生成、多复杂场景补全适配,支持用户上传少量同场景参考图像,即可对目标图像的缺失区域进行内容填充。目标用户覆盖计算机视觉研发人员、平面设计师、影像修复从业者、数字内容创作者等,可应用于老照片修复、图像瑕疵去除、创意内容生成、影视素材补全、科研模型效果验证等多个场景。

STAR

STAR是南京大学PCALAB推出的真实世界视频超分辨率时空增强框架站点,核心定位是为视频画质修复领域提供基于文本到视频扩散先验的技术方案。站点核心功能包括框架技术原理详细讲解、公开数据集测试效果样例展示、模型代码与预训练权重下载渠道提供,同时附带相关学术论文引用说明。目标用户覆盖计算机视觉领域研究人员、视频处理相关开发工程师、影视内容修复从业者、高校相关专业师生等群体,可应用于学术研究参考、商用视频画质优化、老视频修复、低分辨率监控视频增强等多个场景,为视频超分辨率任务提供新的技术实现路径。 · 开源

DynamicControl

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。

AnyDressing

AnyDressing是由字节跳动与清华大学研究团队联合开发的虚拟试穿技术展示平台,核心基于潜在扩散模型实现多服装的定制化试穿效果生成。平台支持用户上传多件服装素材、输入个性化文本提示,即可输出高还原度的虚拟试穿图像,可保留服装原始纹理细节、适配不同身形与场景需求。当前该项目处于研究展示阶段,主要面向学术研究人员、电商服饰从业者、数字内容创作者等群体,可用于技术研发参考、服饰效果预演、虚拟人物穿搭设计等场景。

Go with the Flow

Go with the Flow 是由 Netflix Eyeline Studios 等机构研究人员开发的视频生成技术开源项目,核心是通过扭曲噪声替代传统高斯噪声,实现视频扩散模型的运动模式可控生成。项目支持图像到视频、文本到视频两类主流生成场景,无需修改原始扩散模型架构即可接入,不会额外增加推理阶段计算成本,可对视频内物体位移、相机运动轨迹实现精确调控。适合AI视频生成领域的研究人员、内容创作团队、技术开发人员使用,可应用于影视内容预演、短视频内容制作、AI创意实验、学术研究复现等多种场景。

Flash Diffusion

Flash Diffusion是专注于快速图像生成的AI模型演示平台,核心定位为低算力需求下的高效图像生成技术展示站点。平台支持文本生成图像、图像超分辨率、局部内容修复三类核心功能,可展示模型在少步骤推理下的图像输出效果。目标用户覆盖AI图像算法研发人员、高校计算机相关专业学生、创意设计从业者、AI技术爱好者等群体,可用于算法效果验证、技术学习参考、创意素材快速生成、模型性能对比测试等场景。

TryOnDiffusion

TryOnDiffusion是专注于虚拟试穿技术研究的学术项目网站,核心基于扩散模型实现高还原度的服装虚拟试穿图像生成。网站提供完整的技术原理说明、公开测试数据集、效果对比Demo、论文下载及代码开源资源,主要面向计算机视觉领域研究人员、电商技术开发人员、服装行业数字化从业者,可用于虚拟试穿技术研发、电商商品展示方案迭代、服装数字化落地场景验证等场景,帮助相关从业者了解前沿试穿合成技术的实现逻辑与应用潜力。 · 开源

Make-An-Audio 2

Make-An-Audio 2是由浙江大学、字节跳动、香港中文大学联合研发的文本到音频生成技术官方展示站点,核心定位为面向学术研究与创意开发群体的音频生成技术演示平台。核心功能包括文本语义解析转音频、变长音频生成、音频时间一致性优化、音频生成效果对比展示。目标用户覆盖音频领域研究人员、AI技术开发者、内容创作从业者、高校计算机相关专业师生。使用场景包括学术研究中的技术效果验证、内容创作前期的音效小样生成、AI音频技术开发的算法参考、高校相关课程的技术案例演示。

ViViD

ViViD是专注于视频虚拟试穿技术的学术类工具网站,核心是基于扩散模型打造的视频虚拟试穿新框架,可实现服装在目标视频人物身上的自然迁移效果。该框架包含服装语义特征提取、时空一致性保障两大核心模块,同时配套提供大规模视频虚拟试穿数据集,面向计算机视觉领域研究者、虚拟试穿技术开发人员、服装电商技术团队等群体,可支持学术研究验证、技术落地测试、相关应用原型开发等多场景使用需求。

IllumiNeRF

IllumiNeRF是专注于3D重光照与新视角渲染的技术服务站点,核心基于神经辐射场(NeRF)与图像扩散模型的组合方案,解决传统逆向渲染方法计算成本高、优化过程不稳定的问题。核心功能包括未知光照下的3D场景重建、指定目标光照的新视角渲染、多视角输入图像的自动重光照预处理、重光照效果基准测试对比等。服务于计算机视觉研究人员、3D内容创作者、影视动画制作人员、AR/VR开发人员等群体,可用于3D资产制作、虚拟场景光照调整、数字孪生场景还原、影视道具渲染等多种场景,无需提前获取拍摄环境的光照参数,仅通过普通拍摄的多视角图像即可完成3D内容的光照可控渲染。

GLM Image

GLM Image是一款基于GLM-Image扩散技术开发的AI图像生成与编辑平台,面向有图像创作需求的各类用户提供在线图像服务。核心功能支持文本生成图像、图像编辑修复、图像风格转换、高清放大以及批量生成处理,用户可以通过输入文本关键词生成指定风格的图像,也可以对现有图像进行局部修改、拓展等操作。适合设计师、内容创作者、自媒体运营者以及普通爱好者在创作素材、设计初稿、个人创作等场景使用。

Diffusion with Forward Models

Diffusion with Forward Models 是聚焦于结合前向模型的扩散概率模型技术学术展示站点,核心定位是呈现可通过已知可微分前向模型,从非直接观测信号分布中采样的扩散模型技术方案。核心功能包括逆图形学3D场景生成、部分观测信号分布采样、计算机视觉相关任务适配。目标用户覆盖计算机视觉领域研究人员、3D内容开发从业者、深度学习算法工程师、高校相关专业师生、图形学技术研究者。使用场景包括单张2D图像生成匹配的3D场景分布、不完整观测数据下的信号重建、计算机视觉逆问题求解、3D内容创作的原型生成、算法研究中的技术对比验证等。 · 开源

DiffusionMat

DiffusionMat是基于扩散模型的图像抠图技术框架官方站点,核心定位是为图像抠图领域的技术展示与成果分享平台。核心功能包括扩散模型抠图原理展示、基准测试结果对比、校正模块技术说明。目标用户覆盖计算机视觉领域研究人员、图像编辑工具开发者、专业图像处理从业者、数字内容创作者。使用场景包括学术研究中抠图算法对比、图像工具开发时的算法参考、专业后期制作中的抠图效果优化等,可帮助相关人员了解新型抠图技术的落地应用。

Visual Anagrams

Visual Anagrams是一款基于预训练扩散模型的视觉错觉生成工具,核心定位是通过零样本算法生成多视角视错觉作品。支持旋转、翻转、颜色反转、拼图重排等多种图像变换操作,可将普通图像生成为不同视角下呈现不同内容的视错觉作品。目标用户涵盖创意设计从业者、视错觉研究人员、艺术创作者、教育工作者以及普通兴趣爱好者,可用于艺术创作、科普展示、广告创意设计、教学演示等多个场景。

Generative Rendering:2D mesh

Generative Rendering:2D mesh是一款结合3D网格可控性与扩散模型生成能力的在线生成工具,核心定位是解决现有文本生成视频可控性不足的问题。其核心功能包括支持低保真动画3D网格输入生成高保真时序一致视频、可通过调整资产动作与相机路径控制视频内容、将网格对应信息注入文本生成模型各阶段保证生成质量。目标用户覆盖CG创作者、AI生成内容研究者、动画制作从业者、游戏内容开发者、新媒体内容创作者等,可应用于动画初稿制作、3D内容风格化渲染、创意短视频生成、游戏过场动画快速制作、学术研究效果验证等多种场景。 · 开源

Generative Powers of Ten

Generative Powers of Ten是专注于多尺度一致图像生成的在线演示平台,核心基于文本驱动的多尺度扩散采样技术,可实现跨尺度的场景语义缩放生成。平台支持连续缩放视频渲染、交互式多尺度场景探索两大核心功能,同时提供生成结果与传统超分方案的对比展示。目标用户覆盖计算机视觉研究人员、数字内容创作者、教育科普工作者、交互设计从业者等群体,可用于图像生成技术研究参考、创意视觉内容制作、多尺度成像原理科普演示等多种场景,帮助用户直观理解文本驱动的跨尺度图像生成逻辑与效果差异。 · 开源

TCAN

TCAN是ECCV 2024收录的基于扩散模型的人像动画学术项目官网,核心定位是面向研究人员和开发者的时间一致性人像动画技术展示与资源平台。核心功能包括框架技术细节公开、效果演示视频展示、论文源码与预训练模型下载。目标用户覆盖计算机视觉领域研究人员、AI动画开发工程师、数字内容创作者、高校相关专业师生。可用于人像动效生成研究、虚拟数字人驱动开发、短视频内容二次创作、学术复现实验等多种场景,帮助用户了解该框架在跨域人像动画生成中的时间一致性保持能力,获取完整的技术落地参考资源。 · 开源

SceneWiz3D

SceneWiz3D是基于文本生成高保真3D场景的开源技术工具,核心采用对象显式+场景隐式的混合3D表示方法,支持文本生成3D对象与自定义对象导入功能,可通过粒子群优化算法自动配置场景布局,还搭载RGBD全景扩散模型优化遮挡区域几何效果。工具面向3D设计从业者、游戏场景开发人员、数字孪生研发人员、计算机视觉研究者等群体,可应用于游戏场景快速搭建、室内设计方案可视化、虚拟场景内容制作、3D场景生成技术研发等多个场景。 · 开源

ActAnywhere

ActAnywhere是一款专注于视频背景智能生成的AI工具,核心定位是基于前景主体特征生成匹配度高的动态视频背景。其核心功能包括:支持自定义前景分割序列输入,可根据输入的主体运动片段识别运动轨迹与外观特征;支持参考场景图像作为生成条件,生成符合创作者风格要求的背景内容;可输出连贯的完整视频,实现前景与背景的自然交互效果。目标用户覆盖影视创作者、动画设计师、短视频制作者、AI内容研发人员等,适用场景包括影视短片背景制作、动画场景补全、短视频内容二次创作、AI生成视频的效果优化等,能够帮助创作者降低实景拍摄与后期抠图合成的工作量。

M&M VTO

M&M VTO是聚焦多服装混合搭配的虚拟试穿技术服务平台,核心基于单阶段扩散模型架构,支持多件服装同步试穿、文本控制服装布局、高分辨率效果生成三大核心功能,面向服装设计从业者、电商运营人员、AI图像研发人员、虚拟内容创作者、服饰零售从业者、普通穿搭爱好者群体,可用于电商商品展示图制作、穿搭方案效果预览、虚拟服饰内容创作、AI试穿技术研发测试等多个场景,满足不同用户对虚拟试穿的多元需求。

Generative Keyframe Interpolation with Forward-Backward Consistency

Generative Keyframe Interpolation with Forward-Backward Consistency是一个基于图像到视频扩散模型的关键帧插值工具,核心定位是在两张静态关键帧之间生成高连贯性的过渡视频序列。其核心功能包括支持双关键帧输入生成平滑运动视频、前后向一致性校验保障帧序列逻辑连贯、轻量级微调适配不同风格的图像内容。目标用户覆盖动画制作人员、视频剪辑师、数字艺术创作者、影视后期从业者等,可用于动画补帧、视频转场制作、静态图像动态化创作、旧视频帧修复补全、创意短视频特效制作等场景,无需复杂的手动帧绘制操作即可实现流畅的视频过渡效果。 · 开源

Loopy model

Loopy model是专注于音频驱动肖像视频生成的AI工具站点,核心基于端到端的音频驱动视频扩散模型架构,可实现音频与面部动作的精准匹配。核心功能包括支持用户上传肖像图片与对应音频文件生成同步口型与面部表情的动态视频,内置跨剪辑与内部剪辑时间模块保障长视频动作连贯性,无需手动设置空间运动模板即可输出自然的动态肖像效果。面向的目标用户包含AI内容创作者、数字人开发从业者、短视频制作人员、动画设计人员等,适用于数字人主播视频制作、虚拟角色配音动效生成、个人纪念动态肖像制作、教学类口播视频批量生产等多种场景。

Follow-Your-Canvas

Follow-Your-Canvas 是聚焦视频外延处理的技术演示平台,核心基于扩散模型构建,面向视频创作、多媒体开发、AI技术研究群体提供视频分辨率拓展服务。平台支持低分辨率视频向更高规格分辨率转换,通过分布式计算架构优化降低GPU显存占用门槛,转换过程中可保留视频原有帧间连贯性与画面细节,适合短视频创作者提升旧素材清晰度、研究人员测试视频生成效果、多媒体开发者验证分辨率适配方案等场景使用。

Phidias

Phidias是专注于参考增强的3D内容生成工具,核心是基于扩散技术的生成模型,支持通过文本描述、参考图像、现有3D资产作为输入条件,快速生成符合需求的3D资产,生成过程仅需数秒即可完成。其核心功能包括多条件统一输入支持、Meta-ControlNet动态参数调节、自参考增强生成优化,面向3D设计从业者、游戏开发人员、动画制作团队、AI生成研究者等用户群体,可应用于游戏素材快速制作、影视场景3D资产搭建、数字藏品创作、3D原型快速验证等多种场景,为3D内容生产提供更高效的实现路径。

HelloMeme

HelloMeme是一款基于扩散模型的AI视频生成工具,核心定位是为用户提供高保真、多条件控制的视频生成服务。核心功能包含:支持驱动视频帧特征输入生成对应动态内容,内置优化后的Animatediff模块提升视频连续性,支持ARKit面部混合形状控制角色表情,兼容SD1.5生态的Lora与Checkpoint模型。目标用户涵盖AI内容创作者、动画设计师、虚拟形象运营者、短视频制作者、学术研究人员等。使用场景包含虚拟主播动态视频制作、短视频创意片段生成、动画分镜动态演示、AI艺术创作实验、虚拟角色表情驱动测试等,能够满足不同用户对可控AI视频生成的需求。 · 开源

A Diffusion Approach to Radiance Field Relighting using Multi-Illumination Synthesis

该网站是法国国家信息与自动化研究所(INRIA)发布的辐射场重照明技术研究项目展示平台,核心定位为呈现基于扩散模型的多光照合成辐射场重照明方案。核心功能包含完整技术原理说明、方法效果可视化对比、相关研究论文与实验数据集下载。目标用户覆盖计算机图形学领域研究人员、3D内容开发从业者、AR/VR场景开发工程师、高校图形学方向师生。使用场景包括学术研究中辐射场相关技术的参考借鉴、3D内容制作过程中场景重照明效果的生成、AR/VR应用中真实感光照交互方案的研发等,为相关领域从业者提供前沿技术的参考与实践依据。

Inverse Painting

Inverse Painting是一款基于扩散模型的绘画过程生成工具,核心定位是将已完成的艺术画作反向推导并还原出类人的绘画创作时间流逝视频。其核心功能包括单图绘画过程还原、多艺术风格适配、自定义创作节奏调整,支持处理油画、水彩、丙烯、素描等多种艺术流派作品,主要面向数字艺术创作者、艺术教育工作者、动画制作人员、艺术研究学者等用户群体,可用于艺术教学演示、创作过程复盘、短视频内容制作、艺术史研究分析等多种场景。

ObjectDrop

ObjectDrop是专注于图像内容编辑的AI工具站点,核心基于监督学习技术实现照片级真实的物体删除与插入操作。核心功能包括物体删除,可同步移除物体带来的遮挡、阴影、反射等场景关联痕迹;物体插入,支持将目标物体自然融合到目标图像中,匹配场景光影、透视关系。目标用户覆盖平面设计师、图像后期从业者、内容创作者、学术研究人员等,可满足商业海报修改、摄影作品瑕疵修复、创意图像合成、计算机视觉相关实验测试等多场景使用需求。

Diffuse to Choose

Diffuse to Choose是一个基于扩散图像修复技术的在线工具,核心定位为虚拟试穿与图像语义编辑服务平台。核心功能包括参考物品细节保留式图像修复、多品类商品虚拟试穿适配、语义级图像局部调整。目标用户覆盖电商运营人员、服装设计师、普通网购消费者、内容创作者、AI图像研究人员。使用场景涵盖电商商品图快速生成、网购前虚拟试穿效果预览、服饰设计方案效果验证、社交内容创意图像制作、AI图像修复技术效果测试等,可在无需复杂本地部署的情况下,快速完成基于参考物品的图像融合编辑。

RF-Inversion

RF-Inversion是由德克萨斯大学奥斯汀分校与谷歌研究人员联合开发的图像生成与编辑技术展示平台,核心基于随机微分方程(SDE)实现图像反转与编辑操作,无需额外模型训练、潜在空间优化、提示词调整或复杂注意力处理器即可完成相关任务。平台核心功能包括零样本图像反转、笔画转图像合成、语义图像编辑三类,主要面向计算机视觉研究人员、AI图像技术开发者、数字内容创作者、高校图像处理相关专业学生等群体,可应用于学术研究效果复现、创意图像内容生成、图像属性定向调整、手绘内容数字化转换等多种场景。 · 开源

DimensionX

DimensionX是基于视频扩散模型的科研类场景生成工具,核心定位是实现从单张图像到3D、4D场景的自动化生成。它支持用户上传单张图片生成多视角一致的三维场景,可根据文本提示词调整场景动态效果,生成的内容可直接导出兼容主流3D建模软件的格式。该工具面向计算机视觉研究人员、3D内容创作者、游戏开发人员等群体,可用于学术研究中的场景重建实验、动画前期的场景快速搭建、元宇宙内容的原型制作等场景。

DiffuseKronA

DiffuseKronA是聚焦参数高效微调技术的学术项目站点,核心定位为个性化扩散模型微调方案的成果展示与资源分发平台。站点提供完整的算法原理详解、可运行的代码仓库入口、多场景实验对比数据,支持研究人员快速复现文本到图像生成的微调效果。目标用户覆盖AI生成图像领域的学术研究者、算法开发工程师、高校计算机相关专业师生,可用于学术论文实验验证、扩散模型落地项目优化、课程实践作业开发等场景,帮助用户在有限计算资源下完成扩散模型的个性化适配,同时保障图像合成的输出质量。 · 开源

MikuDance

MikuDance是一款基于扩散模型的角色艺术动画生成工具,核心定位为风格化角色动画制作管道,可将静态角色艺术作品转化为具备连贯动态的动画内容。核心功能包括混合运动动态建模、混合控制扩散调节、场景运动跟踪适配,能够解决高动态运动适配、参考引导错位、角色体型尺度对齐等行业常见问题。目标用户覆盖动画制作从业者、独立创作者、二次元内容制作者、游戏开发人员等群体,适用场景包括短视频角色动画制作、游戏角色动效设计、同人内容创作、虚拟偶像动作演示、实验性动画项目开发等,可帮助用户降低角色动画的制作门槛,提升动画生成的动态表现力。

MOTIA

MOTIA是专注于视频外延画技术的在线工具平台,基于测试时适应的扩散方法开发,核心面向有视频内容扩展需求的创作者与技术研究人员。平台支持用户上传源视频后自动提取内容与运动特征,通过内在适应和外在渲染两个核心阶段完成视频外延画生成,同时提供参数调整、效果预览、多格式导出等配套功能。可应用于短视频二次创作、影视素材补全、动画内容扩展、学术研究效果验证等多个场景,帮助用户在不额外拍摄素材的前提下,扩展视频的画幅边界与内容长度。

DiffHuman

DiffHuman是一个面向3D人体重建领域的学术项目展示网站,核心呈现基于扩散模型的概率式光度逼真3D人体重建方案。该网站支持单张RGB图像输入的3D人体分布预测、多采样高细节人体模型生成、加速推理效果对比三大核心功能,主要服务于计算机视觉研究人员、3D内容开发者、动画制作从业者、数字人研发团队等群体,可应用于学术研究验证、动画角色快速建模、数字人素材生成、3D重建算法效果比对等多种场景,帮助用户直观了解非确定性3D人体重建技术的实现逻辑与实际应用效果。 · 开源

MoMA

MoMA是一款基于开源多模态大语言模型打造的个性化图像生成工具,核心定位为主题驱动的插件式图像生成适配框架。核心功能包括无需微调即可适配现有扩散模型、保留参考图像目标特征生成定制化图像、提升生成内容的提示词忠实度与细节表现。目标用户覆盖AI图像创作者、设计从业者、学术研究人员、内容运营人员等,可应用于定制化文创设计、概念效果图生成、多模态模型性能优化测试、个性化营销物料制作等场景,无需额外模型训练即可快速实现个性化图像生成需求。 · 开源

UniFL

UniFL是一个面向扩散模型优化的技术研究项目,核心定位为通过系统化的反馈学习机制提升生成模型的输出质量与运行效率。项目核心功能包含感知反馈学习模块、解耦反馈学习模块、对抗性反馈学习模块三类,可针对现有扩散模型存在的图像生成精度不足、美学效果不达预期、推理耗时过长等问题进行定向优化。目标用户覆盖AI生成模型研究者、AIGC应用开发人员、计算机视觉方向高校师生等群体,可用于扩散模型性能迭代、文生图应用效果优化、生成模型学术研究实验等多个场景。

AnchorCrafter

AnchorCrafter是一款基于扩散模型的2D定制视频生成工具,核心定位是实现包含指定人物与定制化对象的交互式视频创作。其核心功能包括人-物交互逻辑注入、多视角对象外观识别、人物与物体特征独立可控生成,可在生成视频中维持人物外观、运动轨迹与物体形态的一致性。目标用户覆盖影视内容创作者、电商运营人员、广告设计团队、AI视频技术研究者等群体,适用于电商产品展示视频制作、创意广告内容生成、虚拟场景交互演示、AI视频技术研发测试等多个场景。

VISION XL

VISION XL是基于潜在扩散模型打造的高清视频逆问题处理框架,核心定位是为视频修复与画质提升场景提供技术解决方案。核心功能包括多比例高分辨率视频重建、伪批量一致性采样优化、批量一致性反演计算,能够适配去模糊、超分辨率、视频修复等多种场景。目标用户覆盖计算机视觉研究人员、视频制作从业者、AI算法开发工程师等群体,可应用于学术研究实验、老旧视频画质修复、专业影视内容后期处理、监控视频内容增强等多个场景,依托开源SDXL模型的技术底座,实现稳定的视频重建效果。

ColorFlow

ColorFlow是面向图像序列着色需求的AI工具,核心定位是提升序列图像着色的色彩一致性与元素辨识度。该工具支持基于参考图像池的批量序列着色,可自动识别黑白图像中的角色、物品等元素,匹配参考图像的色彩方案,同时保留元素身份特征;采用三阶段扩散模型框架,无需针对特定身份微调即可生成稳定的着色结果。目标用户覆盖动画制作人员、漫画创作者、老视频修复从业者、数字内容运营者等,适用于卡通漫画批量上色、黑白动画片段色彩还原、历史影像资料着色、手绘分镜稿色彩适配等多种场景,能有效降低序列图像着色的人力成本,减少不同帧之间的色彩偏差问题。

Historical Document Repair

Historical Document Repair是一个面向历史文献修复领域的线上工具站点,核心定位是为受损历史文档提供智能修复解决方案。站点搭载基于扩散模型的DiffHDR算法,可处理字符缺失、纸张破损、墨水侵蚀等多种文档损伤类型,同时支持文档编辑、文本块生成等衍生功能,目标用户涵盖档案管理员、历史研究人员、文献修复从业者、古籍数字化工作者等群体,适用于古籍档案数字化预处理、破损历史文献内容复原、文物展览资料修复、学术研究史料整理等多种场景,助力历史文化资源的保护与传承。

DisPose

DisPose是聚焦于人类图像动画生成的技术演示站点,核心功能包含基于参考图像与驱动视频的人物动画生成、运动对齐与身份一致性保持、即插即用的控制信号适配三类。站点面向AI视频生成从业者、计算机视觉研究人员、内容创作者、动画制作人员等群体,可应用于数字人内容制作、学术技术验证、短视频动效制作、虚拟形象驱动等多种场景,帮助用户在不需要额外复杂输入的前提下,生成动作自然、身份特征稳定的人物动画视频。 · 开源

Sketch2Sound

Sketch2Sound是一款基于扩散变换器(DiT)架构的音频生成工具,核心定位是结合文本语义与可控参数的声音合成平台,支持通过响度、亮度、音高等时变控制信号搭配文本提示生成定制化音频,可在现有文本到音频扩散模型基础上实现轻量化微调。核心功能包括多维度参数控制音频生成、文本语义与控制信号融合合成、低资源模型适配部署三类。目标用户覆盖声音设计师、音频创作者、游戏音效开发人员、交互艺术创作者等,适用于游戏音效制作、影视动效设计、交互艺术装置音频生成、音乐demo快速试制等场景,帮助创作者在保留文本提示语义的同时,实现更精准的音频效果控制。 · 开源

VMix

VMix是面向文本生成图像扩散模型的美学增强技术工具站,核心定位为即插即用的扩散模型美学适配器,通过价值混合交叉注意力技术提升生成图像的美学表现。核心功能包括无需重新训练的社区模型适配、美学质量定向调控、图文对齐度保留三大模块,目标用户覆盖AI图像创作者、扩散模型开发者、内容设计从业者等群体,可应用于插画创作、宣传物料设计、模型性能优化、AI艺术实验等多种场景,帮助用户在不修改原有模型基础逻辑的前提下,提升输出图像的视觉表现。 · 开源

FLATTEN

FLATTEN是一款面向文本到视频编辑场景的光流引导注意力插件,核心定位为解决扩散模型视频编辑过程中的帧间一致性问题。其核心功能包括光流引导的注意力机制适配、无训练集成适配、帧间编辑一致性优化三类,无需额外训练即可对接现有基于扩散的文本到视频编辑方法,帮助研究人员、视频创作者提升编辑后视频的帧间连贯性,降低画面闪烁、元素偏移等问题出现概率,适用于学术研究验证、创意视频制作、短视频二次编辑等多种场景。 · 开源

Video Prediction Policy

Video Prediction Policy(简称VPP)是专注于机器人视觉预测策略研究的学术展示平台,核心展示基于视频扩散模型的机器人操控技术方案。平台提供完整的VPP技术原理讲解、实验基准测试数据、预训练模型开源资源,以及相关论文成果和数据集获取渠道。目标用户覆盖机器人学研究者、计算机视觉方向科研人员、机器人开发工程师、人工智能领域高校师生、具身智能项目研发团队、工业自动化方案设计人员。可用于机器人操控算法性能对比参考、具身智能视觉预测模块开发、相关学术研究的实验基线搭建、视频扩散模型跨领域应用探索等场景。 · 开源

SeedVR

SeedVR是专注于视频修复任务的扩散变换器模型演示站点,核心定位是为视频处理相关从业者提供前沿AI视频修复能力的在线体验与技术参考。站点支持任意长度、任意分辨率的受损视频序列修复,搭载移位窗口注意力机制,同时结合因果视频自编码器、混合图像视频训练等技术优化生成效果。目标用户涵盖视频内容创作者、后期制作人员、AI技术研究者、影视资料修复从业者等,可应用于老影视资料画质修复、损坏视频素材修复、低清拍摄视频画质增强、AI视频生成瑕疵修正等多种场景,帮助用户提升视频素材的整体视觉质量。

Diffusion as Shader

Diffusion as Shader(简称DaS)是香港科技大学等高校研究团队开发的3D感知视频生成控制模型工具站,核心定位是为视频创作与3D内容生产领域提供基于扩散模型的多任务控制解决方案。核心功能包括支持网格到视频生成,可将3D网格素材转化为写实或风格化的连续视频内容;支持相机路径自定义控制,生成符合指定镜头运动逻辑的动态视频;支持运动迁移与对象属性编辑,可在保留原有3D空间逻辑的前提下修改对象外观、动作参数。目标用户覆盖CG从业者、影视动画制作人员、VR内容开发者、AI生成技术研究人员、高校计算机相关专业学生等,适用于影视片段预演、VR场景内容生成、3D动画效果测试、AI视频生成学术研究等多个场景。

TokenVerse

TokenVerse是面向个性化图像生成领域的技术展示与方案介绍站点,核心围绕基于文本到图像扩散模型的多概念解耦与组合生成技术展开。站点核心功能包括技术原理解析、生成效果案例展示、应用场景说明,以及相关研究成果的公开分享。目标用户覆盖AI图像生成领域的研究人员、创意设计从业者、AI工具开发者,以及对个性化图像生成有需求的内容创作者。用户可通过站点了解该技术从单张图像中解耦物体、配饰、材质、姿势、光照等多类视觉元素的实现逻辑,查看不同概念组合生成的效果案例,参考该技术在创意设计、内容生产等场景的落地路径。

X-Dyna

X-Dyna是专注于零样本人类图像动画生成的技术展示与试用平台,核心依托扩散模型实现静态人像的动态效果生成。平台支持用户上传单张人像图片与驱动视频,即可将视频中的面部表情、肢体动作迁移到静态人像上,生成连贯的动态视频;内置Dynamics-Adapter模块可保留人像原有外观特征,同时实现动作的自然迁移;支持表情局部精准控制,可单独调整面部表情参数。平台面向AI生成内容创作者、数字媒体设计师、动画制作从业者、学术研究人员等群体,适用于数字人内容制作、短视频特效创作、虚拟形象动态化、学术技术验证等多种场景。

VideoJAM

VideoJAM是面向视频生成领域的技术框架官方展示站点,核心定位是分享可提升视频生成运动连贯性与视觉质量的联合外观-运动表示技术方案。站点核心功能包括技术框架原理展示、实验效果对比演示、适配接入指引文档。目标用户覆盖AI视频生成领域的研发人员、高校计算机视觉方向研究学者、视频生成工具开发者、相关产业的技术落地人员。使用场景包括研究人员参考技术方案优化现有视频生成模型、开发者将框架接入现有工具提升生成视频的运动流畅度、学术研究者参考实验数据开展相关方向的进一步研究。

DiffSplat

DiffSplat是面向3D内容创作领域的技术展示与资源平台,核心展示基于扩散模型与3D高斯溅射结合的3D生成技术,支持从文本提示、单视图图像生成符合3D空间一致性的高斯点云模型。平台提供完整的技术论文、生成效果演示、代码部署指引与训练数据集参考,核心功能包含3D生成效果交互预览、技术原理可视化解析、开源代码对接说明、生成参数调整演示、多场景效果样例展示。目标用户覆盖计算机视觉研究人员、3D内容开发工程师、游戏建模从业者、动画制作人员、XR内容创作者等,可用于学术研究中的3D生成技术实验、小型3D资产快速原型制作、元宇宙场景批量3D元素生成、游戏道具快速初稿建模、动画场景辅助素材制作等多种场景。

DynVFX

DynVFX是一款基于Transformer文本到视频扩散模型与视觉语言模型的视频内容编辑工具,核心定位是帮助用户通过文本指令完成动态内容的视频植入。核心功能包括文本驱动的动态元素插入、复杂场景运动适配、视频内容自然增强,无需额外训练即可实现零样本内容生成,面向视频后期创作者、内容运营人员、独立影视制作者、广告创意设计师等群体,可广泛应用于短视频特效制作、影视后期补拍、广告内容植入、创意视频二次创作等场景,降低动态特效制作的技术门槛。

SliderSpace

SliderSpace是由BAU实验室推出的扩散模型能力分析与交互工具,核心定位是为AI生成图像研究人员、开发者提供可视化的扩散模型内部机制解析途径。其核心功能包括通过可调节滑块拆解扩散模型不同视觉生成维度的权重、实时预览参数调整后的图像生成效果、导出模型不同层的激活特征数据。目标用户覆盖AI生成图像研究人员、计算机视觉方向学生、扩散模型开发者、AI艺术创作者等群体,可应用于扩散模型可解释性研究、生成参数调优、AI生成内容可控性实验、模型能力对比测试等多种场景。

VideoGrain

VideoGrain是基于扩散模型的视频编辑技术展示平台,核心定位是为内容创作者、技术研究者提供可交互的多粒度视频编辑技术演示与参考。平台支持文本驱动的指定区域视频编辑,可实现跨帧语义一致的内容修改,同时保留原有视频的运动逻辑与画面风格;支持不同编辑粒度的调节,用户可选择从局部物体替换到整体场景风格调整的不同编辑强度;还提供多组对比案例,直观呈现技术效果与传统编辑方法的差异。平台目标用户包括视频后期从业者、AI视频技术研究者、广告内容制作人员、高校计算机相关专业师生等,可用于影视后期片段修改、广告创意内容快速迭代、视频编辑技术研发参考、学术研究效果验证等场景。 · 开源

常见问题

扩散模型工具怎么选

可优先匹配自身硬件算力条件,再结合核心生成场景的精度、速度需求,优先选择适配自身使用门槛的工具,无需盲目追求过高参数的产品。

扩散模型工具免费还是收费

不同工具定价策略不同,部分开源基础版本可免费获取使用,商用进阶版本大多采用分层付费模式,可根据自身使用规模选择对应方案。

扩散模型工具适合谁用

它适合创意设计师、AI内容创作者、科研从业者以及有批量视觉内容生成需求的中小团队,覆盖从个人兴趣创作到商用生产的多类人群。