/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
30 июл 2025

PixNerd-XL-P16-C2I

Генерация изображенийТекст → изображение

Пиксельный диффузионный трансформер PixNerd XL/16 для безусловной генерации изображений ImageNet.

0скачиваний за 30 дней5лайковвеса обновлены3 дек 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

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.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MCG-NJU/PixNerd-XL-P16-C2I — модель для безусловной генерации изображений, разработанная авторами PixNerd: Pixel Neural Field Diffusion. Это диффузионный трансформер, который работает непосредственно в пространстве пикселей и использует нейронное поле для декодирования патчей, без предварительно обученного VAE. Модель XL/16 содержит 700 млн параметров и предназначена для генерации изображений ImageNet размером 256×256; в README также приведены результаты для варианта 512×512.

В опубликованных результатах указаны FID 2,15 для ImageNet 256×256 и 2,84 для 512×512. Репозиторий содержит веса в формате PyTorch. Лицензия — Apache-2.0. Карточка описывает безусловную генерацию изображений; расширение PixNerd для генерации по тексту относится к отдельному варианту XXL и не следует считать возможностью этой модели.

Сценарии применения

  • генерация изображений ImageNet размером 256×256 без текстового запроса
  • создание синтетических изображений для исследований генеративных моделей
  • сравнение качества диффузионных моделей по метрике FID

Ограничения

Модель предназначена для безусловной генерации изображений ImageNet; управление генерацией текстовым запросом в README описано для отдельной модели PixNerd-XXL/16. Указанные результаты относятся к ImageNet и сами по себе не подтверждают качество на других наборах данных.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

PixNerd: Pixel Neural Field Diffusion

PixNerd is a novel pixel-space diffusion transformer for image generation, introduced in the paper PixNerd: Pixel Neural Field Diffusion. Unlike conventional diffusion models that depend on a compressed latent space shaped by a pre-trained VAE, PixNerd proposes to model patch-wise decoding with a neural field. This results in a single-scale, single-stage, efficient, and end-to-end solution that directly operates in pixel space, avoiding accumulated errors and decoding artifacts.

✨ Key Highlights

  • Efficient Pixel-Space Diffusion: Directly models image generation in pixel space, eliminating the need for VAEs and their associated complexities or artifacts.
  • Neural Field Decoding: Employs neural fields for patch-wise decoding, improving the modeling of high-frequency details.
  • Single-Stage & End-to-End: Offers a simplified, efficient training and inference paradigm without complex cascade pipelines.
  • High Performance: Achieves competitive FID scores on ImageNet 256x256 (2.15 FID) and 512x512 (2.84 FID) for unconditional image generation.
  • Text-to-Image Extension: The framework is extensible to text-to-image applications, achieving strong results on benchmarks like GenEval (0.73 overall score) and DPG (80.9 overall score).

Visualizations

Below are sample images generated by PixNerd, showcasing its capabilities:

Checkpoints

The following checkpoints are available:

DatasetModelParamsFIDHuggingFace
ImageNet256PixNerd-XL/16700M2.15🤗
ImageNet512PixNerd-XL/16700M2.84🤗
DatasetModelParamsGenEvalDPGHuggingFace
Text-to-ImagePixNerd-XXL/161.2B0.7380.9🤗

Online Demos

You can try out the PixNerd-XXL/16 (text-to-image) model on our Hugging Face Space demo: https://huggingface.co/spaces/MCG-NJU/PixNerd.

To host a local Gradio demo for text-to-image applications, run the following command after setting up the environment:

python app.py --config configs_t2i/inference_heavydecoder.yaml  --ckpt_path=XXX.ckpt

Usage

For image generation (C2i for ImageNet), you can use the provided codebase. First, install the required dependencies:

# for installation
pip install -r requirements.txt

Then, run inference using the main.py script (replace XXX.ckpt with your checkpoint path):

# for inference
python main.py predict -c configs_c2i/pix256std1_repa_pixnerd_xl.yaml --ckpt_path=XXX.ckpt
# or specify the GPU(s) to use:
CUDA_VISIBLE_DEVICES=0,1, python main.py predict -c configs_c2i/pix256std1_repa_pixnerd_xl.yaml --ckpt_path=XXX.ckpt

For more details on training and evaluation for both C2i and T2i applications, please refer to the official GitHub repository.

Citation

If you find this work useful for your research, please cite our paper:

@article{2507.23268,
Author = {Shuai Wang and Ziteng Gao and Chenhui Zhu and Weilin Huang and Limin Wang},
Title = {PixNerd: Pixel Neural Field Diffusion},
Year = {2025},
Eprint = {arXiv:2507.23268},
}

Acknowledgement

The code is mainly built upon FlowDCN and DDT.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Безусловная генерация изображений пока не поддерживается.

Ревизия весов
edd8adf

0 моделей