Awesome GitHub RepositoriesImage-Conditioned Generation

SD.Next is an all-in-one web interface and multi-backend inference engine for generating, editing, and processing images and videos using diffusion models. It functions as a comprehensive tool for diffusion model management and an automated image processing pipeline for bulk operations. The project is distinguished by its hardware-backend abstraction layer, which provides automatic detection and acceleration for NVIDIA CUDA, AMD ROCm, Intel OpenVINO, and DirectML. It features a headless generative API and a programmatic command interface, allowing users to trigger tasks via REST API or CLI wi

IP-Adapter is a framework for conditioning pretrained text-to-image diffusion models to use image prompts as visual guides. It serves as a text-to-image model extension that transforms a text-based diffusion model to accept and process image inputs as primary generation sources. The system implements identity preservation to maintain consistent facial features across multiple outputs using a reference photo. It also enables style transfer workflows to produce image variations that preserve the artistic characteristics of a source image. Capabilities cover multi-modal prompting, including the

OOTDiffusion is an AI virtual try-on system designed for controllable image synthesis. It generates images of people wearing specific clothing items by superimposing garments onto human figures for both half-body and full-body compositions. The project facilitates digital fashion prototyping and virtual clothing fitting by creating garment-to-person overlays. It aims to maintain the original identity of the wearer and the specific details of the clothing during the synthesis process. The system utilizes a latent diffusion model and conditioning-based image generation to control the output. I

ComfyUIIPAdapterplus ist eine knotenbasierte Erweiterung für ComfyUI, die IPAdapter-Modelle implementiert, um die Bildgenerierung unter Verwendung von Referenzbildern zu steuern. Sie fungiert als Bild-Prompting-Tool und Stable-Diffusion-Bildadapter, der es ermöglicht, Referenzdateien als visuelle Prompts zur Steuerung von Stil, Komposition und Subjektidentität zu verwenden. Das Projekt bietet spezialisierte Funktionen zur Wahrung der Gesichtsidentität und hochauflösender Merkmale über generierte Porträts hinweg. Es ermöglicht die Übertragung visueller Eigenschaften und künstlerischer Stile von Referenzbildern sowie die Extraktion räumlicher Layouts, um die Anordnung von Objekten in neuen Generationen zu steuern. Die Erweiterung deckt breite Funktionsbereiche ab, einschließlich KI-Bildkonditionierung, konsistenter Charaktergenerierung und Bildkompositionskontrolle.

SUPIR ist ein KI-Bild-Upscaler und Restaurierungssystem, das darauf ausgelegt ist, Artefakte zu entfernen und die Qualität realer Fotos wiederherzustellen. Es fungiert als diffusionsbasiertes Bildverbesserungs- und Restaurierungstool, das großskalige Modellskalierung verwendet, um hochauflösende Ergebnisse mit fotorealistischen Details zu erzielen. Das System gleicht visuelle Ästhetik mit Eingabetreue ab und ermöglicht einen Kompromiss zwischen strikter Einhaltung des Originalbildes und der allgemeinen visuellen Attraktivität der Ausgabe. Es nutzt großskalige Modell-Inferenz, um die Bildklarheit zu verbessern und realistische Details während des Upscaling-Prozesses beizubehalten.

Nunchaku is a 4-bit model quantization library and diffusion model inference engine designed to run large-scale neural networks on consumer GPUs. It functions as a GPU-accelerated optimizer that reduces VRAM usage and increases inference speed through weight compression and memory management. The project utilizes low-rank weight decomposition and SVD weight quantization to compress models to four-bit precision while maintaining visual fidelity. It employs kernel-level operator fusion to minimize data movement and hardware-aware precision mapping to adjust numerical precision based on the unde