ReSeed

ReSeed — метод и набор адаптеров от Wenwu2000, который добавляет небольшие residual biases к первому шагу денойзинга замороженного four-step student, чтобы вернуть потерянное разнообразие. В репозитории четыре адаптера и два самостоятельно обученных SD3 DMD student'а; поддерживаются SD3-Medium, SD3.5-Medium, SenseFlow-FLUX и Wan2.1 DMD2.

🦾 Ключевые особенности

• 🔥 Bias включаются только на первом шаге; исходные веса и последние три шага student не меняются.
• ⬇ Четыре адаптера: SD3-Medium — 72 192 bias-параметра, SD3.5-Medium — 72 192, SenseFlow-FLUX — 233 472, Wan2.1 DMD2 — 46 080.
• 🎏 Два SD3 student'а обучены авторами: seed 42, checkpoint-2000; это экспериментальные student'ы, а не официальные DMD2 checkpoints.
• ✅ Для FLUX и Wan в репозитории только ReSeed-адаптеры: SenseFlow-FLUX и Wan2.1 DMD2 student'ы нужно скачивать отдельно.
• 🤫 Это residual-bias адаптеры, не LoRA; каждый адаптер рассчитан на указанный student.

🧘 Пример

hf download Wenwu2000/ReSeed --local-dir reseed-weights
python reseed-weights/inference.py --weights reseed-weights --model sd3m --base models/sd3m --prompt "a photo of a cat" --seed 0 --output samples/sd3m_reseed.png

Подробнее

Полный набор весов — около 18.22 GB, в основном два student-трансформера.
Нужны Python 3.10+ и CUDA/BF16 PyTorch; авторы использовали PyTorch 2.6.0, Diffusers 0.34.0 и Transformers 4.45.2.
SD3 генерирует 1024×1024 BF16 за четыре Euler steps при CFG 1; у Wan — 81 кадр 832×480, 16 FPS.
Бенчмарков в карточке нет; заявленный эффект — восстановление разнообразия при сохранении frozen student.