Awesome GitHub RepositoriesMulti-Stage Refinement

Sana is a framework for high-resolution image and video synthesis based on a linear diffusion transformer. It provides a toolkit for the training, fine-tuning, and execution of text-to-image and text-to-video models, as well as a video generative world model capable of simulating physical environments with precise spatial control. The project is distinguished by its use of linear complexity layers to handle high resolutions and its support for long-form, minute-length video generation in real time. It implements a two-stage inference paradigm that separates structural generation from visual t

MochiDiffusion is a local client for Stable Diffusion that functions as an AI image generation studio. It provides a workspace for performing text-to-image, image-to-image, and inpainting tasks, enabling the production of high-resolution images offline using local hardware and neural engine acceleration. The project includes a local model manager for importing, organizing, and converting machine learning models into compatible formats for offline execution. It features a ControlNet integration tool to guide structural composition and spatial layout, alongside a dedicated image upscaler that u

Acest proiect este o pânză vizuală (canvas) bazată pe AI și un framework de whiteboard colaborativ. Acesta funcționează ca un motor de desen vectorial personalizabil și un instrument pentru convertirea schițelor de interfață desenate de mână și a wireframe-urilor în cod funcțional folosind inteligența artificială. Sistemul se distinge prin integrarea agenților AI care pot citi, modifica și genera diagrame vizuale direct pe canvas. Oferă, de asemenea, un editor de flux de lucru bazat pe noduri pentru construirea de pipeline-uri de automatizare și fluxuri de procesare a datelor prin conectarea componentelor multimodale. Platforma acoperă o gamă largă de capabilități, inclusiv colaborare multiplayer în timp real cu urmărirea prezenței utilizatorilor, un canvas infinit cu randare accelerată GPU și o suită cuprinzătoare de instrumente de manipulare și aliniere a obiectelor. De asemenea, implementează standarde de accesibilitate web și oferă o interfață scriptabilă pentru definirea formelor personalizate și a controalelor programatice pentru canvas.

vibesdk este o platformă și un framework de dezvoltare software agentic conceput pentru a coordona agenți autonomi care scriu, depanează și rafinează aplicații full-stack din limbaj natural. Servește ca un orchestrator de aplicații cloud-native și un framework de generare de cod bazat pe LLM care convertește prompturile în cod funcțional prin conversații iterative și comportamente ale agenților în mai multe faze. Proiectul se remarcă prin furnizarea unui toolchain complet pentru construirea platformelor de dezvoltare AI. Aceasta include capacitatea de a integra diverși furnizori de modele, de a construi toolkit-uri LLM personalizate și de a gestiona întregul ciclu de viață al aplicațiilor generate de AI printr-un toolchain de deployment serverless și un SDK TypeScript programatic. Platforma acoperă o gamă largă de capabilități, inclusiv orchestrarea sandbox-urilor AI pentru execuție izolată și previzualizări live, sisteme de fișiere virtuale susținute de Git pentru urmărirea versiunilor și deployment automat în cloud pe platforme serverless. De asemenea, încorporează sisteme pentru gestionarea schemelor de baze de date, criptarea ierarhică a secretelor și sincronizarea stării în timp real prin WebSockets. Utilizatorii pot gestiona fluxurile de lucru ale proiectului printr-o interfață de linie de comandă sau programatic folosind SDK-ul furnizat.

EchoMimic V2 este un pipeline de generare video AI și un model de animație computer vision conceput pentru a produce animații umane sintetice. Funcționează ca un framework generativ care creează videoclipuri semi-corp prin alinierea unei imagini de referință statice cu mișcările de postură extrase dintr-un videoclip de conducere (driving video). Sistemul utilizează un proces de generare bazat pe difuzie combinat cu compresia spațiului latent și un mecanism de atenție temporală pentru a asigura tranziții line între cadre. Menține identitatea consistentă a persoanei prin codificare bazată pe referință și ghidează plasarea spațială prin condiționarea mișcării bazată pe postură. Proiectul include capabilități pentru rafinarea imaginilor în mai multe etape pentru a îmbunătăți detaliile faciale și claritatea. Oferă, de asemenea, instrumente pentru pregătirea seturilor de date de animație, inclusiv descărcarea și preprocesarea datelor video în formatele necesare pentru antrenarea modelului și inferență.

DiffBIR is a diffusion-based image restoration framework designed for blind image reconstruction. It utilizes generative diffusion priors to recover high-quality images from sources with unknown or complex degradations without requiring explicit degradation models. The system includes specialized models for face restoration, enabling the recovery of facial landmarks, textures, and backgrounds in degraded portraits. To support high-resolution outputs on hardware with limited memory, it employs a tiled image upscaler that divides images into smaller patches during sampling. The framework cover

Presenton is an AI-powered presentation engine and API designed to transform natural language prompts, uploaded documents, and structured data into professional slide decks. It functions as a generation service that leverages large language models to automate the creation of outlines, slide content, and visual assets. The system is distinguished by its support for both cloud-based and self-hosted infrastructure, allowing for the integration of local language models and image generators to ensure data privacy. It implements a Model Context Protocol server, enabling external AI agents to trigge

ComfyUI-LTXVideo is a generative framework and ComfyUI custom node extension for synthesizing high-fidelity video. It utilizes a latent diffusion and transformer-based system to create cinematic clips from text, image, and audio inputs, providing a modular interface for precise control over subject behavior and temporal consistency. The tool distinguishes itself with production-grade capabilities, including the generation of High Dynamic Range video in linear formats such as ARRI LogC3. It supports multimodal synchronization for audio-driven animation and lip-syncing, and allows for the creat

vibe-vibe is an LLM agent engineering framework and toolchain optimizer designed for orchestrating multi-agent systems. It serves as a comprehensive guide and methodology for transforming conceptual ideas into deployed applications through agentic software engineering. The project focuses on the orchestration of specialized AI agent roles with defined collaboration boundaries and iterative feedback loops. It provides frameworks for toolchain optimization, including the selection and evaluation of protocols that extend model capabilities and the design of standardized tool interfaces. The sys