Generative Zoo¶

76 个方法注册组 --- GAN（44 组 / 132 IDs）与 Diffusion（32 组 / 96 IDs）的本地构建入口；注册标签不等于对应论文的独立实现。

时间线标签与当前计算机制分开

下表“标签所指创新”描述原方法。Diffusion 公共核心已支持显式 noisy state、timestep、条件、三类 denoiser 与多步 schedule；10 个代表入口为 compact，其余 22 个仍是 baseline-alias。逐源码等级以保真度审计和 baseline 清单为准。

GAN Zoo¶

44 个注册组 / 132 个注册 ID，每组 tiny/small/base 三档配置（gan: 前缀）。

CLI 快速上手¶

# 列出全部 132 个 GAN 注册 ID
python scripts/gan_zoo.py --list

# 模糊搜索
python scripts/gan_zoo.py --search stylegan

# 前向契约检查（`--smoke` 为兼容选项名）
python scripts/gan_zoo.py --smoke gan:dcgan_tiny

架构分类总览¶

类别	代表算法	说明
无条件 GAN	DCGAN, WGAN, WGAN-GP, LSGAN, SNGAN	无条件图像生成，训练稳定性为核心研究方向
条件 GAN	cGAN, ACGAN, InfoGAN, Pix2Pix	以类别标签、输入图像等条件控制生成
图像翻译	CycleGAN, StarGAN, UNIT, MUNIT	跨域风格迁移与图像翻译
高分辨率	ProGAN, StyleGAN, StyleGAN2, StyleGAN3	渐进式训练与风格控制，达到高保真生成
轻量级	LightGAN, FastGAN	减少训练数据与计算量的高效 GAN

除上述经典类别外，Zoo 还收录 BigGAN、SAGAN、TransGAN、StyleSwin、StyleGAN-XL、ESRGAN / SRGAN（超分）、BicycleGAN / DualGAN / CUT-GAN（翻译）、Diffusion-GAN 等共 44 个家族，--list 查看全部。

变体命名说明

下文表格中的「关键变体」（如 dcgan_64）为该方法在原论文中的代表分辨率 / 配置，仓库内实际架构 ID 统一为 gan:<family>_{tiny,small,base} 三档（如 gan:dcgan_tiny）。

无条件 GAN¶

基础对抗生成网络，侧重训练稳定性与生成质量。

方法标签	关键变体	标签所指创新
DCGAN	dcgan_32, dcgan_64, dcgan_128	全卷积 GAN + BatchNorm 训练稳定化
WGAN	wgan_32, wgan_64	Wasserstein 距离替代 JS 散度，缓解模式崩溃
WGAN-GP	wgangp_32, wgangp_64, wgangp_128	Gradient Penalty 替代权重裁剪
LSGAN	lsgan_32, lsgan_64	Least Squares 损失，平滑决策边界
SNGAN	sngan_32, sngan_64, sngan_128	Spectral Normalization 谱归一化稳定训练

条件 GAN¶

引入条件信息控制生成过程。

方法标签	关键变体	标签所指创新
cGAN	cgan_mlp, cgan_conv	条件标签 Concatenation 控制生成
ACGAN	acgan_32, acgan_64	辅助分类器监督 + 条件生成
InfoGAN	infogan_32, infogan_64	最大化互信息学习解耦表示
Pix2Pix	pix2pix_256, pix2pix_512	Paired Image-to-Image Translation + PatchGAN

图像翻译¶

跨域图像转换与风格迁移。

方法标签	关键变体	标签所指创新
CycleGAN	cyclegan_256, cyclegan_512	无配对图像翻译 + Cycle Consistency Loss
StarGAN	stargan_128, stargan_256	单一生成器多域翻译
UNIT	unit_256	共享隐空间假设 + 双 VAE-GAN
MUNIT	munit_256	分离内容与风格，多模态翻译

高分辨率¶

渐进式训练与风格控制的高保真生成。

方法标签	关键变体	标签所指创新
ProGAN	progan_256, progan_512, progan_1024	渐进式分辨率增长训练
StyleGAN	stylegan_256, stylegan_512, stylegan_1024	Mapping Network + Adaptive Instance Norm
StyleGAN2	stylegan2_256, stylegan2_512, stylegan2_1024	Weight Demodulation 消除伪影
StyleGAN3	stylegan3_r_256, stylegan3_t_256	别名消除 (Alias-Free)，平移/旋转等变性

轻量级¶

面向数据稀缺或低算力场景的高效 GAN。

方法标签	关键变体	标签所指创新
LightGAN	lightgan_256	轻量化生成器 + Skip-Layer Excitation
FastGAN	fastgan_256, fastgan_512	少样本 (~100 张) 高效训练

CLI 一行冒烟任意 GAN

python scripts/gan_zoo.py --smoke gan:stylegan2_tiny

Diffusion Zoo¶

32 个注册组 / 96 个注册 ID，每组 tiny/small/base 三档配置（diff: 前缀）。

CLI 快速上手¶

# 列出全部 96 个 Diffusion 注册 ID
python scripts/diffusion_zoo.py --list

# 模糊搜索
python scripts/diffusion_zoo.py --search ddpm

# 前向契约检查（`--smoke` 为兼容选项名）
python scripts/diffusion_zoo.py --smoke diff:ddpm_tiny

架构分类总览¶

类别	代表算法	说明
基础扩散	DDPM, DDIM, Score-SDE	扩散模型理论基础
条件扩散	Classifier-Guided, Classifier-Free	条件引导生成
隐空间扩散	Latent Diffusion, Stable Diffusion	在隐空间而非像素空间执行扩散，大幅降低计算成本
快速采样	DPM-Solver, Consistency Models	加速采样步数从 1000 到 1~10 步

除上述经典类别外，Zoo 还收录 DiT / U-ViT / PixArt / Hunyuan-DiT（Transformer 骨干）、SDXL / SD3 / Flux / Sana / Lumina-Next（新一代文生图）、Rectified Flow / Flow Matching / AuraFlow（流匹配）、LCM / SD-Turbo（少步蒸馏）等共 32 个家族，--list 查看全部。

变体命名说明

下文表格中的「关键变体」（如 ddpm_cifar10）为该方法在原论文中的代表配置，仓库内实际架构 ID 统一为 diff:<family>_{tiny,small,base} 三档（如 diff:ddpm_tiny）。

基础扩散¶

扩散概率模型的理论基石。

方法标签	关键变体	标签所指创新
DDPM	ddpm_cifar10, ddpm_celeba, ddpm_lsun	去噪扩散概率模型，\(T\) 步加噪 + 逆向去噪
DDIM	ddim_cifar10, ddim_celeba	非马尔可夫采样，确定性生成 + 加速采样
Score-SDE	score_sde_ve, score_sde_vp, score_sde_sub_vp	随机微分方程统一框架 (VE/VP/sub-VP)

扩散过程核心公式

前向过程 (加噪):

\[q(\mathbf{x}_t | \mathbf{x}_{t-1}) = \mathcal{N}(\mathbf{x}_t; \sqrt{1 - \beta_t}\,\mathbf{x}_{t-1},\, \beta_t \mathbf{I})\]

逆向过程 (去噪):

\[p_\theta(\mathbf{x}_{t-1} | \mathbf{x}_t) = \mathcal{N}(\mathbf{x}_{t-1}; \boldsymbol{\mu}_\theta(\mathbf{x}_t, t),\, \sigma_t^2 \mathbf{I})\]

条件扩散¶

通过引导信号控制生成方向。

方法标签	关键变体	标签所指创新
Classifier-Guided	cg_diffusion_base	外部分类器梯度引导采样
Classifier-Free	cfg_diffusion_base	无需分类器，条件/无条件联合训练 + 引导比例 \(w\)

Classifier-Free Guidance

\[\hat{\epsilon}_\theta(\mathbf{x}_t, c) = (1 + w)\,\epsilon_\theta(\mathbf{x}_t, c) - w\,\epsilon_\theta(\mathbf{x}_t, \varnothing)\]

其中 \(w\) 为引导比例，\(c\) 为条件，\(\varnothing\) 为空条件。

隐空间扩散¶

在低维隐空间执行扩散过程，大幅提升效率。

方法标签	关键变体	标签所指创新
Latent Diffusion	ldm_kl_4, ldm_kl_8, ldm_vq_4	Autoencoder 压缩 + 隐空间 DDPM
Stable Diffusion	sd_v1_4, sd_v1_5, sd_v2_1	LDM + CLIP 文本条件，开源文生图里程碑

快速采样¶

将采样步数从数百/千步压缩至极少步。

方法标签	关键变体	标签所指创新
DPM-Solver	dpm_solver_1, dpm_solver_2, dpm_solver_3, dpm_solver_pp	高阶 ODE Solver，10~20 步高质量生成
Consistency Models	cm_ct, cm_cd	一致性映射，单步生成 + 可选多步细化

用法示例¶

GAN 前向契约检查Diffusion 前向契约检查

python scripts/gan_zoo.py --smoke gan:wgangp_tiny

python scripts/diffusion_zoo.py --smoke diff:ddim_tiny