Flux.1-dev Controlnet Upscaler 是一个基于Hugging Face平台的图像放大模型，它使用先进的深度学习技术来提高图像的分辨率，同时保持图像质量。该模型特别适合需要对图像进行无损放大的场景，如图像编辑、游戏开发、虚拟现实等。

StableDelight是一个先进的模型，专注于从纹理表面去除镜面反射。它基于StableNormal的成功，后者专注于提高单目法线估计的稳定性。StableDelight通过应用这一概念来解决去除反射的挑战性任务。训练数据包括Hypersim、Lumos以及来自TSHRNet的各种镜面高光去除数据集。此外，我们在扩散训练过程中整合了多尺度SSIM损失和随机条件尺度技术，以提高一步扩散预测的清晰度。

Flux Latent Detailer是一个实验性的工具，通过Flux的潜在空间插值技术，能够在图像中产生更精细的细节。该工具通过多遍处理，尝试在不破坏整体构图的情况下增强图像细节，同时避免过度处理的外观。开发者强调这是一个实验性项目，不提供支持，仅供分享。

KEEP是一个基于Kalman滤波原理的视频人脸超分辨率框架，旨在通过特征传播来保持时间上的稳定人脸先验。它通过融合先前恢复帧的信息来指导和调节当前帧的恢复过程，有效捕捉视频帧中一致的人脸细节。

AuraSR-v2是一个基于生成对抗网络（GAN）的图像超分辨率模型，专为放大生成的图像而设计，是GigaGAN论文的一个变体。该模型的PyTorch实现基于非官方的lucidrains/gigagan-pytorch仓库。它能够显著提高图像的分辨率，同时保持图像质量，对于需要高清图像输出的应用场景尤为重要。

AuraSR 是基于 GAN 的 Super-Resolution 模型，通过图像条件化增强技术，提升生成图像的质量。该模型采用 GigaGAN 论文的变体实现，并使用 Torch 框架。AuraSR 的优势在于能够有效提高图像的分辨率和质量，适用于图像处理领域。

EvTexture是一种基于事件的视觉驱动的视频超分辨率(VSR)技术，它利用事件信号中的高频细节来更好地恢复VSR中的纹理区域。该技术首次提出使用事件信号进行纹理增强，通过迭代纹理增强模块逐步探索高时间分辨率的事件信息，实现纹理区域的逐步细化，从而获得更准确、丰富的高分辨率细节。在四个数据集上，EvTexture达到了最先进的性能，特别是在Vid4数据集上，与最近的基于事件的方法相比，可以获得高达4.67dB的增益。

LighTDiff是一种针对手术内窥镜图像在低光照条件下进行增强的深度学习模型。该模型利用T-Diffusion技术，能够有效提升图像的亮度和清晰度，对于提高手术安全性和效率具有重要意义。该技术已被MICCAI2024会议提前接受，并且代码已经开源，可供研究和实际应用。

VideoGigaGAN是一款基于大规模图像上采样器GigaGAN的视频超分辨率(VSR)模型。它能够生成具有高频细节和时间一致性的视频。该模型通过添加时间注意力层和特征传播模块，显著提高了视频的时间一致性，并使用反锯齿块减少锯齿效应。VideoGigaGAN在公共数据集上与最先进的VSR模型进行了比较，并展示了8倍超分辨率的视频结果。

iPhone Photo [FLUX] 是一个基于LoRA技术的AI模型，旨在增强图像的真实感，特别是在模仿iPhone照片效果方面表现出色。它不仅能够提升iPhone拍摄的照片质量，也能为非iPhone照片增添自然和真实的视觉效果。该模型由Anibaaal开发，并于2024年10月2日发表，属于Civitai平台。模型的使用技巧提示为强度设置为1，并且有超过1000个赞和375个评论，显示出其受欢迎程度。

Flux.1-dev Controlnet Upscaler 是一个基于Hugging Face平台的图像放大模型，它使用先进的深度学习技术来提高图像的分辨率，同时保持图像质量。该模型特别适合需要对图像进行无损放大的场景，如图像编辑、游戏开发、虚拟现实等。

StableDelight是一个先进的模型，专注于从纹理表面去除镜面反射。它基于StableNormal的成功，后者专注于提高单目法线估计的稳定性。StableDelight通过应用这一概念来解决去除反射的挑战性任务。训练数据包括Hypersim、Lumos以及来自TSHRNet的各种镜面高光去除数据集。此外，我们在扩散训练过程中整合了多尺度SSIM损失和随机条件尺度技术，以提高一步扩散预测的清晰度。

Flux Latent Detailer是一个实验性的工具，通过Flux的潜在空间插值技术，能够在图像中产生更精细的细节。该工具通过多遍处理，尝试在不破坏整体构图的情况下增强图像细节，同时避免过度处理的外观。开发者强调这是一个实验性项目，不提供支持，仅供分享。

KEEP是一个基于Kalman滤波原理的视频人脸超分辨率框架，旨在通过特征传播来保持时间上的稳定人脸先验。它通过融合先前恢复帧的信息来指导和调节当前帧的恢复过程，有效捕捉视频帧中一致的人脸细节。

AuraSR-v2是一个基于生成对抗网络（GAN）的图像超分辨率模型，专为放大生成的图像而设计，是GigaGAN论文的一个变体。该模型的PyTorch实现基于非官方的lucidrains/gigagan-pytorch仓库。它能够显著提高图像的分辨率，同时保持图像质量，对于需要高清图像输出的应用场景尤为重要。

AuraSR 是基于 GAN 的 Super-Resolution 模型，通过图像条件化增强技术，提升生成图像的质量。该模型采用 GigaGAN 论文的变体实现，并使用 Torch 框架。AuraSR 的优势在于能够有效提高图像的分辨率和质量，适用于图像处理领域。

EvTexture是一种基于事件的视觉驱动的视频超分辨率(VSR)技术，它利用事件信号中的高频细节来更好地恢复VSR中的纹理区域。该技术首次提出使用事件信号进行纹理增强，通过迭代纹理增强模块逐步探索高时间分辨率的事件信息，实现纹理区域的逐步细化，从而获得更准确、丰富的高分辨率细节。在四个数据集上，EvTexture达到了最先进的性能，特别是在Vid4数据集上，与最近的基于事件的方法相比，可以获得高达4.67dB的增益。