# ControlNet

Regional-Prompting-FLUX是一種訓練無關的區域提示擴散變換器模型，它能夠在無需訓練的情況下，為擴散變換器（如FLUX）提供細粒度的組合文本到圖像生成能力。該模型不僅效果顯著，而且與LoRA和ControlNet高度兼容，能夠在保持高速度的同時減少GPU內存的使用。

x-flux是由XLabs AI團隊發佈的深度學習模型訓練腳本集，包括LoRA和ControlNet模型。這些模型使用DeepSpeed進行訓練，支持512x512和1024x1024圖片尺寸，並且提供了相應的訓練配置文件和示例。x-flux模型訓練旨在提高圖像生成的質量和效率，對於AI圖像生成領域具有重要意義。

這是一個基於SDXL的ControlNet Tile模型,使用Hugging Face Diffusers訓練集,適用於Stable Diffusion SDXL ControlNet。它最初是為我自己的逼真模型訓練,用於終極放大過程以提高圖像細節。使用合適的工作流程,它可以為高細節、高分辨率的圖像修復提供良好的結果。由於大多數開源沒有SDXL Tile模型,我決定分享這個模型。該模型支持高分辨率修復、風格遷移和圖像修復等功能,可以為你提供高質量的圖像處理體驗。

PIXART LCM是一個文本到圖像合成框架，將潛在一致性模型（LCM）和ControlNet集成到先進的PIXART-α模型中。PIXART LCM以其能夠通過高效的訓練過程生成1024px分辨率的高質量圖像而聞名。在PIXART-δ中集成LCM顯著加快了推理速度，使得僅需2-4步即可生成高質量圖像。特別值得注意的是，PIXART-δ實現了在0.5秒內生成1024x1024像素圖像的突破，比PIXART-α改進了7倍。此外，PIXART-δ經過精心設計，可在單日內在32GB V100GPU上進行高效訓練。具有8位推理能力的PIXART-δ可以在8GB GPU內存約束下合成1024px圖像，極大地增強了其可用性和可訪問性。此外，引入類似於ControlNet的模塊可以對文本到圖像擴散模型進行精細控制。我們引入了一種新穎的ControlNet-Transformer架構，專門為Transformers量身定製，實現了顯式可控性和高質量圖像生成。作為一種最先進的開源圖像生成模型，PIXART-δ為穩定擴散模型家族提供了一個有前途的選擇，為文本到圖像合成做出了重大貢獻。

QR Diffusion是一個免費的QR碼藝術生成器，使用穩定擴散和ControlNet技術，在幾秒鐘內生成令人驚歎的藝術品般的QR碼。它超越了傳統QR碼的像素化網格，使用強大的生成式AI模型Stable Diffusion創建類似藝術品的複雜圖像，而ControlNet模型確保最終的QR碼保留您所需的所有重要細節。