跳到正文

Deep floyd

开源的级联文本到图像模型

访问官网

Deep floyd 是什么

Deep floyd 被介绍为一个开源文本到图像模型,由冻结文本编码器与级联的像素扩散模块组成。

架构说明

  • 文本嵌入输入 UNet 架构
  • 架构增强了交叉注意力和注意力池化
  • 各阶段共用基于 T5 的编码器

输出阶段

  • 第一阶段生成 64x64 图像
  • 中间阶段达到 256x256
  • 最后阶段达到 1024x1024

优点与缺点

✓ 我们认可的地方

  • 资料给出 COCO 数据集上零样本 FID 得分 6.66
  • 文本嵌入来自基于 T5 transformer 的编码器

! 需要留意的地方

  • 资料描述的是一个开源模型
  • 资料所述流程为级联结构

常见问题

列出哪些分辨率?

资料描述 64x64、256x256 和 1024x1024。

给出什么得分?

资料说明在 COCO 数据集上零样本 FID 为 6.66。

最后评测: 2026-11-15

更多 AI 图像生成 工具

查看全部 →

评测方法