DeepFloyd IF是一种新颖的、最先进的开源文本到图像模型，具有高度的照片真实感和语言理解能力。DeepFloyd IF是一个模块，由一个固定的文本编码器和三个级联的像素扩散模块组成:一个基于文本提示生成64×64像素图像的基本模型和两个超分辨率模型，每个模型都旨在生成分辨率不断增加的图像:256×256像素和1024×1024像素。
模型的所有阶段都使用基于T5转换器的冻结文本编码器来提取文本嵌入，然后将其馈送到具有交叉注意和注意池增强的UNet架构中。结果是优于当前最先进的模型，在COCO数据集上实现了6.66的零射击FID分数。
数据统计
相关导航
暂无评论...