huggingface / huggingface/diffusers
[New feature] A Noise Injection Method for Flux
Personne n'a encore pris cette issue.
- Langage dominant
- Python
- Étoiles
- 34.5k
- Forks
- 7.3k
- Merge moyen
- 3 j 3 h
- PR mergées (30 j)
- 91
Description
### New Feature for FluxPipeline
Paper: [Link](https://openreview.net/pdf?id=KzokzKV4JK)
Code : [Link](https://anonymous.4open.science/r/SSNI-F746/README.md)
workflow : [Link](https://www.dropbox.com/scl/fi/hhitjx6lqpqpv8xjx9ikq/Flux-Noise-Injection.json?rlkey=45xnu45j1i5owiwhc7z1hppn1&e=1&dl=0)
This paper introduces Sample-specific Score-aware Noise Injection (SSNI) to improve diffusion-based purification (DBP) methods. Unlike existing approaches that use a fixed noise level (t*) for all samples, SSNI adapts t* based on how noisy or clean each sample is. Using a pre-trained score network, SSNI estimates a sample's deviation from the clean data and adjusts the noise level accordingly.
This have stunning Results with Flux


@sayakpaul @yiyixuxu
Guide de contribution
Ouvrir le guide de contribution
Par où commencer
- Lisez l'issue en entier, puis le guide de contribution du projet.
- Signalez en commentaire que vous la prenez — cela évite que deux personnes fassent le même travail.
- Forkez le dépôt et travaillez sur une branche.
- Ouvrez une pull request qui référence le numéro de l'issue.
Piste de recherche
Commencez par FluxPipeline et lisez l’article lié, l’implémentation de référence et le workflow afin de comprendre la méthode SSNI proposée. Le travail sera considéré comme terminé lorsqu’une fonctionnalité intégrée d’injection de bruit pour Flux aura été mise en place, avec une validation par rapport au comportement et aux résultats décrits dans l’issue.
Rédigé par le modèle d'indexation à partir du texte de l'issue.
Évaluation
- Stack technique
- python, pytorch
- Domaine
- machine-learning
- Type d'issue
- Fonctionnalité
- Difficulté
- 5/5
- Temps estimé
- Plus d'une semaine
- Activité
- À l'abandon
- Clarté
- À clarifier
- Accessibilité débutants
- 25/100