/ Модель

Характеристики

Лицензия
OpenRAIL++
Базовая модель
RORem
Библиотека
stable-diffusion.cpp
Опубликована
19 июл 2026

RORem-mixed-GGUF

Преобразование изображенийИзображение, текст → изображение3 профессии

RORem-mixed GGUF — это квантованная версия UNet-модуля модели RORem для inpainting и удаления объектов на изображениях.

1 083скачиваний за 30 дней5лайковвеса обновлены19 июл 2026

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

Модель разработана авторами проекта RORem; конвертация выполнена для запуска через stable-diffusion.cpp. Она основана на RORem и SDXL Inpainting 0.1 и обучалась на изображениях разрешением 512×512 и 1024×1024.

Модель предназначена для восстановления областей изображения по маске, в частности для удаления объектов, текста и звуковых эффектов из манги с сохранением или генерацией подходящего фона, линий и цветов. Она поддерживает сценарии image-to-image и inpainting, но не предназначена для общего text-to-image. Используется формат GGUF с квантованием Q4_K; файл UNet занимает около 1,885 GiB. Репозиторий не содержит полный SDXL-пайплайн: VAE и компоненты CLIP-L и CLIP-G необходимо брать из SDXL Inpainting 0.1. Для работы требуется stable-diffusion.cpp, предпочтительно с CUDA.

К сильным сторонам относятся существенно меньшее потребление видеопамяти по сравнению с FP16 и качество, близкое к FP16 в приведённом локальном тесте. Качество зависит от маски, её расширения, контекста кадрирования, разрешения, промпта и seed; на больших масках модель может галлюцинировать текстуры, линии или объекты, а квантованный результат может отличаться от FP16. Исходный проект RORem опубликован под Apache 2.0, SDXL Inpainting 0.1 — под CreativeML Open RAIL++-M; необходимо соблюдать условия обеих лицензий и применимые ограничения.

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

RORem-mixed GGUF (Q4_K)

This repository contains a Q4_K GGUF conversion of the RORem-mixed SDXL inpainting UNet for stable-diffusion.cpp.

RORem is an object-removal/inpainting model from RORem: Training a Robust Object Remover with Human-in-the-Loop. The mixed-resolution checkpoint was trained for both 512x512 and 1024x1024 inputs.

Files

FileDescription
rorem-mixed-unet-q4_K.ggufRORem-mixed UNet in GGML Q4_K format (1.885 GiB)
sdxl-version-marker.safetensorsTiny metadata-only file used to identify the pipeline as SDXL Inpaint

This is not a complete SDXL pipeline. It does not include the VAE, CLIP-L, or CLIP-G weights. Use those components from diffusers/stable-diffusion-xl-1.0-inpainting-0.1.

stable-diffusion.cpp usage

The model was converted and tested with the official CUDA prebuilt from stable-diffusion.cpp release master-782-b290693.

sd-cli \
  --model sdxl-version-marker.safetensors \
  --diffusion-model rorem-mixed-unet-q4_K.gguf \
  --vae /path/to/sdxl-inpainting/vae/diffusion_pytorch_model.fp16.safetensors \
  --clip_l /path/to/sdxl-inpainting/text_encoder/model.fp16.safetensors \
  --clip_g /path/to/sdxl-inpainting/text_encoder_2/model.fp16.safetensors \
  --init-img input.png \
  --mask mask.png \
  --prompt "clean manga illustration, crisp black line art, flat colors, seamless original background, clean white speech bubble, no text" \
  --negative-prompt "text, letters, words, symbols, watermark, signature, blurry, smudged, dirty, gray artifacts, extra objects, photorealistic" \
  --width 512 \
  --height 512 \
  --steps 30 \
  --cfg-scale 8 \
  --strength 0.999 \
  --sampling-method euler \
  --scheduler discrete \
  --fa \
  --output output.png

The white portion of the mask is regenerated. For manga translation, dilating the text or SFX mask before inference helps remove outlines and antialiasing remnants.

Local benchmark

Single 512x512 manga inpainting crop, 30 Euler steps, fixed seed, RTX 5090, stable-diffusion.cpp CUDA build b290693:

UNet formatMasked MAE vs FP16Masked PSNR vs FP16SamplingEnd-to-endLoaded parameter VRAM
Q4_K1.103343.741 dB4.06 s6.383 s3657.61 MB
Q4_01.808141.193 dB4.03 s6.348 s3573.38 MB
FP16referencereference5.15 s7.536 s6624.13 MB

This is one local sample, not a comprehensive quality benchmark. Q4_K was effectively tied with Q4_0 in speed while producing an output closer to the FP16 reference.

Limitations

  • RORem can hallucinate texture, line art, or objects inside large masks.
  • Output quality depends strongly on mask dilation, crop context, resolution, prompt, and seed.
  • This checkpoint is intended for inpainting/object removal, not general text-to-image generation.
  • The quantized model may differ from FP16 output.

Attribution and licenses

Users are responsible for complying with all applicable upstream licenses and usage restrictions.

Citation

@article{li2024RORem,
  title={RORem: Training a Robust Object Remover with Human-in-the-Loop},
  author={Ruibin Li and Tao, Yang and Song, Guo and Lei, Zhang},
  year={2025},
  booktitle={IEEE/CVF Conference on Computer Vision and Pattern Recognition}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · stable-diffusion.cpp

Нельзя запустить

Модели «картинка → картинка» пока не запускаются: нужен ввод изображения для diffusion.

Ревизия весов
62c75b3

0 моделей