/ Модель

Характеристики

Лицензия
cc-by-nc-2.0
Базовая модель
FLUX.1-Fill-dev
Библиотека
diffusers
Опубликована
21 апр 2025

textflux

Генерация изображенийТекст → изображение4 профессии

TextFlux — дообученная на FLUX.1-Fill-dev диффузионная модель для синтеза многоязычных надписей, стилистически согласованных с изображениями сцен.

192скачиваний за 30 дней10лайковвеса обновлены6 авг 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

TextFlux — модель на архитектуре Diffusion Transformer (DiT), разработанная для создания реалистичных надписей внутри изображений и сцен. Она дообучена на основе black-forest-labs/FLUX.1-Fill-dev и использует прямое пространственное объединение изображения сцены с визуальными образцами глифов, поэтому для синтеза текста не требуется OCR-энкодер.

Модель предназначена для генерации многоязычных надписей, согласованных с контекстом и стилем сцены, в том числе для языков с ограниченными данными. В README заявлены полновесная версия и веса LoRA, а также демо с режимами для готовых входов и пользовательских сцен с масками. Для работы нужны код модели и зависимости на базе PyTorch и Diffusers версии 0.32.1 или новее. Репозиторий распространяется по лицензии CC BY-NC 2.0, которая ограничивает коммерческое использование.

Сценарии применения

  • добавление реалистичных надписей на вывески в изображениях
  • создание многоязычного текста, вписанного в заданную сцену
  • редактирование области изображения для замены или добавления надписи
  • генерация сценического текста для языков с ограниченными обучающими данными

Ограничения

Для запуска требуются код модели, PyTorch и Diffusers версии 0.32.1 или новее. Лицензия CC BY-NC 2.0 не допускает коммерческое использование.

Для каких профессий подходит4

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

TextFlux: An OCR-Free DiT Model for High-Fidelity Multilingual Scene Text Synthesis

TextFlux is an OCR-free framework using a Diffusion Transformer (DiT, based on FLUX.1-Fill-dev) for high-fidelity multilingual scene text synthesis. It simplifies the learning task by providing direct visual glyph guidance through spatial concatenation of rendered glyphs with the scene image, enabling the model to focus on contextual reasoning and visual fusion.

Key Features

  • OCR-Free: Simplified architecture without OCR encoders.
  • High-Fidelity & Contextual Styles: Precise rendering, stylistically consistent with scenes.
  • Multilingual & Low-Resource: Strong performance across languages, adapts to new languages with minimal data (e.g., <1,000 samples).
  • Zero-Shot Generalization: Renders characters unseen during training.
  • Controllable Multi-Line Text: Flexible multi-line synthesis with line-level control.
  • Data Efficient: Uses a fraction of data (e.g., ~1%) compared to other methods.

Updates

Setup

  1. Clone/Download: Get the necessary code and model weights.

  2. Dependencies:

conda create -n textflux python==3.11.4 -y
conda activate textflux
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

pip install -r requirements.txt
# Ensure diffusers >= 0.32.1

Gradio Demo

Provides "Normal Mode" (for pre-combined inputs) and "Custom Mode" (upload scene, draw masks, input text for automatic template generation and concatenation).

python demo.py

Acknowledgement

Our code is modified based on Diffusers. We adopt black-forest-labs/FLUX.1-Fill-dev as the base model. Thanks to all the contributors for the helpful discussions!

License

The use of this model, TextFlux, is governed by the FLUX.1 [dev] Non-Commercial License Agreement (or the specific version applicable to FLUX.1-Fill-dev, upon which TextFlux is based).

Citation

@misc{xie2025textfluxocrfreeditmodel,
      title={TextFlux: An OCR-Free DiT Model for High-Fidelity Multilingual Scene Text Synthesis}, 
      author={Yu Xie and Jielei Zhang and Pengyu Chen and Ziyue Wang and Weihang Wang and Longwen Gao and Peiyi Li and Huyang Sun and Qiang Zhang and Qian Qiao and Jiaqing Fan and Zhouhui Lian},
      year={2025},
      eprint={2505.17778},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2505.17778}, 
}

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

Базовая модель black-forest-labs/FLUX.1-Fill-dev закрыта автором (gated): у платформы нет доступа к её весам.

Ревизия весов
8930419

0 моделей