MOSS-Image 生图工作台

文生图 · 图生图，一个菜单搞定

基于 MOSS-Image-SFT （OpenMOSS，5B 单流 DiT）的交互式演示：支持中英文字渲染与版式描述，也支持上传参考图按强度重绘。

⏳ 交互式推理（ZeroGPU）正在申请社区 GPU 资助

文生图

自然语言提示词直接出图，可调尺寸、步数、CFG、种子与负向分支跳过层；支持画面内中英文长文本渲染。

图生图

上传参考图 + 提示词重绘。参考图经 VAE 编码进潜空间，按重绘强度截取去噪步，保留构图改造风格。

版式控制

用 Layout JSON（bbox_format: yxyx / 中心化绝对坐标）精确指定文字与物体的位置。

官方推荐采样参数

项目	建议值
分辨率	100 万 ~ 200 万像素（如 1024×1024、1152×896），必须是 16 的倍数
步数 / CFG	≥ 50 步 / CFG 3.0（3.0 ~ 6.0）
负向提示词	nsfw, worst quality, bad anatomy, watermark, jpeg artifact
负向分支跳过层	22（0 基下标，官方推荐）
语言	英文效果最佳，中文同样支持

图生图实现方式

官方 pipeline 只开放文生图接口，本应用通过潜空间初始化实现图生图：参考图 → FLUX.2 VAE 编码（32 通道）→ 与官方解码严格互逆地 pack 成 128 通道并用 BatchNorm 统计量归一化 → 按目标噪声水平 σ 在 flow-matching sigma 网格上定位起始步 → 临时裁剪调度器时间步，只跑剩余去噪。

start = 第一个 sigma <= σ 的下标
latents = (1 - sigma) * x0 + sigma * noise
scheduler.timesteps = full_timesteps[start:]

用 σ 而不是「步数比例」做强度，是因为 MOSS 的 sigma 网格经 shift=5 扭曲后集中在高噪声端， 按步数比例会严重非线性（50 步下 0.6 实际对应 σ≈0.88，几乎等于重画）。

部署状态

当前账号未满足 Hugging Face 的 GPU 托管条件（ZeroGPU 需要账号满 30 天或 PRO），因此本页为 Static 占位页， 应用代码（app.py、moss_img2img.py、requirements.txt）已随仓库上传， 社区 GPU 资助通过后会把本 Space 切换为 Gradio SDK 并直接运行。