/ Модель

Характеристики

Лицензия
MIT
Архитектура
emuru · dense
Библиотека
t5
Опубликована
4 фев 2025

emuru

Генерация изображенийТекст → изображение3 профессии

Emuru создаёт изображения по текстовому описанию с учётом текста и изображения-референса стиля.

456скачиваний за 30 дней13лайковвеса обновлены31 июл 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

Emuru — условная генеративная модель для создания изображений по тексту и референсному изображению стиля, представленная на CVPR 2025. Архитектура объединяет текстовый декодер на базе T5ForConditionalGeneration и VAE AutoencoderKL: модель учитывает изображение-референс, описание стиля и текст с содержанием будущего изображения, а затем генерирует изображение, объединяющее эти условия.

Модель предназначена для стилизованной генерации изображений, редактирования изображений по текстовым описаниям и прототипирования дизайна. В карточке также указаны исследовательские и учебные демонстрации генеративного моделирования на основе T5. Репозиторий содержит веса в формате safetensors; лицензия — MIT.

Сценарии применения

  • генерация изображения в стиле референсной картинки
  • создание изображения по описанию объекта и отдельному описанию стиля
  • стилизация изображения с помощью текстовых инструкций
  • быстрое прототипирование визуального дизайна

Ограничения

Карточка не приводит количественных оценок качества или ограничений по разрешению; результат зависит от текстовых условий и референсного изображения. Указанные сценарии применения не подтверждают пригодность модели для любых стилей и типов изображений.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Emuru

Emuru is a conditional generative model presented at CVPR2025 that integrates a T5-based decoder with a Variational Autoencoder (VAE) for image generation conditioned on text and style images. It allows users to combine textual prompts (e.g., style text, generation text) and style images to create new, synthesized images. Training code is released on GitHub.

Model description

  • Architecture:
    Emuru uses a T5ForConditionalGeneration as its text decoder and an AutoencoderKL as the VAE backbone. The T5 model encodes textual prompts and partially decoded latent representations, then predicts the next latent tokens. The VAE is used both to encode the initial style image and decode the predicted latent tokens back into an image.

  • Inputs:

    1. Style Image: A reference image, which Emuru encodes to capture its “style” or other visual characteristics.
    2. Style Text: Text describing the style or context.
    3. Generation Text: Text describing the content or object to generate.
  • Outputs:

    1. A synthesized image that reflects the fused style and text descriptions.
  • Tokenization:
    Emuru uses AutoTokenizer to handle the text prompts, which adjusts the T5’s vocabulary and token embeddings accordingly.

  • Usage scenarios:

    • Stylized text-to-image generation
    • Image manipulation or design prototyping based on textual descriptions
    • Research or educational demonstrations of T5-based generative modeling

How to use

Below is a minimal usage example in Python. You can load the model with AutoModel.from_pretrained(...) and simply call .generate(...) or .generate_batch(...) to create images.

import torch
from PIL import Image
from transformers import AutoModel
from huggingface_hub import hf_hub_download
from torchvision.transforms import functional as F

def load_image(img_path):
    img = Image.open(img_path).convert("RGB")
    # Resize the image to have a fixed height of 64 pixels
    img = img.resize((img.width * 64 // img.height, 64))
    img = F.to_tensor(img)
    img = F.normalize(img, [0.5], [0.5])
    return img

# 1. Load the model
model = AutoModel.from_pretrained("blowing-up-groundhogs/emuru", trust_remote_code=True)
model.cuda()  # Move to GPU if available

# 2. Prepare your inputs
style_text = 'THE JOLLY IS "U"'
gen_text = 'EMURU'
img_path = hf_hub_download(repo_id="blowing-up-groundhogs/emuru", filename="sample.png")
style_img = load_image(img_path)
style_img = style_img.cuda()

# 3. Generate an image
generated_pil_image = model.generate(
    style_text=style_text,
    gen_text=gen_text,
    style_img=style_img,
    max_new_tokens=64
)

# 4. Save the result
generated_pil_image.save("generated_image.png")

Batch Generation

You can also generate a batch of images if you have multiple style texts, generation texts, and style images:

style_texts = ['THE JOLLY IS "U"', 'THE JOLLY IS "M"', 'THE JOLLY IS "R"']
gen_texts   = ['EMURU', 'EMURU', 'EMURU']
style_imgs  = torch.stack([style_img, style_img, style_img], dim=0)  # shape: (batch_size, C, H, W)
lengths     = [style_img.size(-1), style_img.size(-1), style_img.size(-1)]

output_images = model.generate_batch(
    style_texts=style_texts,
    gen_texts=gen_texts,
    style_imgs=style_imgs,
    lengths=lengths,
    max_new_tokens=64
)

# `output_images` is a list of PIL images
for idx, pil_img in enumerate(output_images):
    pil_img.save(f"batch_generated_image_{idx}.png")

Citation

If you use Emuru in your research or wish to refer to it, please cite:

@InProceedings{Pippi_2025_CVPR,
    author    = {Pippi, Vittorio and Quattrini, Fabio and Cascianelli, Silvia and Tonioni, Alessio and Cucchiara, Rita},
    title     = {Zero-Shot Styled Text Image Generation, but Make It Autoregressive},
    booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
    month     = {June},
    year      = {2025},
    pages     = {7910-7919}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · t5

Нельзя запустить

Генеративная модель выложена не в формате diffusers.

Класс архитектуры
Emuru
Ревизия весов
c75b78d

0 моделей