UNet-модель flow matching для безусловной генерации аниме-лиц размером 64×64 пикселя из шума.
Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды
Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.
В подключённых источниках результатов для этой модели пока нет.
Описание составлено по карточке модели и метаданным Hugging Face
AnasKAN/anime-flow-matching — модель генерации изображений в стиле аниме, обученная разработчиком репозитория методом rectified/conditional flow matching. Она предназначена для безусловного создания изображений лиц размером 64×64 пикселя: модель предсказывает скорость перехода от шума к изображению, а генерация выполняется интегрированием ODE методом Эйлера примерно за 10 шагов. Архитектура — UNet с шириной каналов 64, множителями каналов (1, 2, 2, 4) и attention на разрешении 16; указано около 16,3 млн параметров. Обучение продолжалось 30 эпох, финальная FM loss — 0,2059; для генерации рекомендуется использовать веса EMA.
Модель принимает случайный шум и выдаёт изображение. Карточка не сообщает лицензию, поэтому условия использования по имеющимся данным определить нельзя. Небольшое разрешение ограничивает применение генерацией небольших изображений лиц; качество и разнообразие за пределами описанных данных не охарактеризованы.
Модель генерирует только изображения размером 64×64 пикселя, а качество и разнообразие результатов не охарактеризованы. Лицензия в доступных данных не приведена.
README от автора на Hugging Face, как он его опубликовал
Rectified/conditional flow matching. Predicts velocity v = x1 - x0 along the
straight path xt = (1-t)*x0 + t*x1, where x0 is noise and x1 is data.
x += v(x,t)*dt, ~10 steps is enoughnet, ema, opt, scaler, losses — resumable.Use the ema weights for sampling.
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм
Безусловная генерация изображений пока не поддерживается.