OrangeMixs on Hugging Face vs Drag Your GAN

OrangeMixs on Hugging Face hosts WarriorMama777's collection of Stable Diffusion merge checkpoints for text-to-image anime and illustration work. The repository bundles families like AbyssOrangeMix3, VividOrangeMix, BloodOrangeMix, and EerieOrangeMix, each tuned with U-Net block weight merging for different paint styles and realism levels.

Compared with single-base SD 1.5 checkpoints, OrangeMixs publishes full merge recipes, SHA256 hashes, sampler settings, and variant suffixes such as _sfw, _nsfw, and _hard so you can pick a checkpoint by intended output. AOM3 files are about 1.98 GB each, and the README documents negative prompts, CFG ranges, and hires fix settings tested by the community.

OrangeMixs targets local Stable Diffusion users on Automatic1111, ComfyUI-style workflows, or the Hugging Face Diffusers library. Downloads are free under the CreativeML OpenRAIL-M license, with optional Gradio demos and imports for Draw Things and DiffusionBee.

No campo de sintetizar conteúdo visual para atender às necessidades dos usuários, é essencial alcançar um controle preciso sobre pose, forma, expressão e layout de objetos gerados. As abordagens tradicionais para controlar redes adversárias generativas (GANs) se basearam em anotações manuais durante o treinamento ou modelos 3D anteriores, geralmente sem flexibilidade, precisão e versatilidade necessárias para diversas aplicações.

Em nossa pesquisa, exploramos um método inovador e relativamente desconhecido para o controle da GaN-a capacidade de "arrastar" pontos de imagem específicos para atingir com precisão os pontos de destino definidos pelo usuário de maneira interativa (conforme ilustrado na Fig.1). Essa abordagem levou ao desenvolvimento de Draggan, uma nova estrutura que compreende dois componentes principais:

Supervisão de movimento baseada em recursos: este componente guia os pontos da imagem em direção às posições do alvo pretendido por meio de supervisão de movimento baseado em recursos.

Rastreamento de pontos: alavancando os recursos discriminativos do GAN, nossa nova técnica de rastreamento de pontos localiza continuamente a posição dos pontos de alça.

O Draggan capacita os usuários a deformar imagens com precisão notável, permitindo a manipulação da pose, forma, expressão e layout em diversas categorias como animais, carros, humanos, paisagens e muito mais. Essas manipulações ocorrem dentro do coletor de imagem generativo instruído de um GaN, resultando em saídas realistas, mesmo em cenários complexos, como gerar conteúdo ocluído e formas deformadas enquanto aderem à rigidez do objeto.

Nossas avaliações abrangentes, abrangendo comparações qualitativas e quantitativas, destacam a superioridade do Draggan sobre os métodos existentes em tarefas relacionadas à manipulação de imagens e rastreamento de pontos. Além disso, demonstramos suas capacidades na manipulação de imagens do mundo real através da inversão de GaN, mostrando seu potencial para várias aplicações práticas no campo da síntese e controle de conteúdo visual.