OmniConsistency ist ein universelles Plug-in zur Konsistenzverbesserung, das auf dem Diffusionstransformator basiert und am 28. Mai 2025 vom Show Lab der National University of Singapore veröffentlicht wurde. OmniConsistency verbessert die visuelle Kohärenz und die ästhetische Qualität deutlich und erreicht eine Leistung, die mit dem fortschrittlichsten kommerziellen Modell GPT-4o vergleichbar ist. Es schließt die Leistungslücke in der Stilkonsistenz zwischen Open-Source-Modellen und kommerziellen Modellen (wie GPT-4o), bietet eine kostengünstige, hochgradig kontrollierbare Lösung für die KI-Erstellung und fördert die Demokratisierung der Bilderzeugungstechnologie. Seine Kompatibilität und Plug-and-Play-Funktionen senken zudem die Hürde für Entwickler und Kreative, es zu nutzen. Die relevanten Ergebnisse der Studie lauten:OmniConsistency: Lernen stilagnostischer Konsistenz aus gepaarten Stilisierungsdaten".
Die in diesem Tutorial verwendeten Rechenressourcen sind eine einzelne RTX A6000-Karte.
2. Effektanzeige
3. Bedienungsschritte
1. Starten Sie den Container
Wenn „Bad Gateway“ angezeigt wird, bedeutet dies, dass das Modell initialisiert wird. Da das Modell groß ist, warten Sie bitte etwa 2–3 Minuten und aktualisieren Sie die Seite.
2. Anwendungsbeispiele
Sobald Sie die Webseite aufrufen, können Sie mit dem Modell interagieren.
Wenn Sie Custom LoRA verwenden, benötigt das Modell Zeit, um online heruntergeladen zu werden, sodass die Generierung länger dauert. Bitte haben Sie Geduld. Außerdem kann der Modelldownload aufgrund von Netzwerkproblemen während des Modelldownloads fehlschlagen. Es wird empfohlen, den Container neu zu starten und das Modell erneut herunterzuladen.
Ergebnisse generieren
4. Diskussion
🖌️ Wenn Sie ein hochwertiges Projekt sehen, hinterlassen Sie bitte im Hintergrund eine Nachricht, um es weiterzuempfehlen! Darüber hinaus haben wir auch eine Tutorien-Austauschgruppe ins Leben gerufen. Willkommen, Freunde, scannen Sie den QR-Code und kommentieren Sie [SD-Tutorial], um der Gruppe beizutreten, verschiedene technische Probleme zu besprechen und Anwendungsergebnisse auszutauschen ↓
Zitationsinformationen
Dank an den Github-Benutzer SuperYang Bereitstellung dieses Tutorials. Die Zitationsinformationen für dieses Projekt lauten wie folgt:
@inproceedings{Song2025OmniConsistencyLS,
title={OmniConsistency: Learning Style-Agnostic Consistency from Paired Stylization Data},
author={Yiren Song and Cheng Liu and Mike Zheng Shou},
year={2025},
url={https://api.semanticscholar.org/CorpusID:278905729}
}
