AIAI 工具图鉴
← 返回全部文章
·约 15 分钟PPT

Moebius

图像设计
下载 PPT下载视频

配套媒体

本页对应的 PPT 与演示视频

Moebius-recommend.mp4
PPT
Moebius-recommend.pptx浏览器不能直接打开 PPT，下载后用 PowerPoint / WPS / Keynote 查看
下载没反应？点这里复制直链

侧边栏预览窗口（Electron webview）会拦截下载，把下面的链接复制到 Chrome / Edge 地址栏打开即可保存。

PPT../../Moebius-recommend.pptx
视频../../Moebius-recommend.mp4
本文目录
  1. 🚀 什么是 Moebius？
  2. ✨ 核心功能一览
  3. 极致的参数效率（< 2%）
  4. 15× 推理加速（26ms/step）
  5. 10B 级修复质量
  6. 协同核心创新
  7. 🛠️ 快速上手：5 分钟跑通示例
  8. 环境安装
  9. 模型权重组织结构
  10. 推理代码（CLI）
  11. 训练代码
  12. 📊 与竞品对比：6 个基准对标/超越 10B 工业 SOTA
  13. 核心参数与速度对比
  14. 6 基准修复质量
  15. 💡 适用场景
  16. 场景 1：自然场景修复（Places2 风景/城市）
  17. 场景 2：人像修复（CelebA-HQ / FFHQ）
  18. 场景 3：消融实验展示
  19. 用户群体总结
  20. 🔬 性能基准细节
  21. 💰 定价方案
  22. 🎯 总结

📌 核心价值：华中科大 + VIVO 联合发布 ECCV 2026 顶会开源图像修复模型，0.22B 参数打平 10B 级工业 SOTA，推理加速 15×

Scaling Law 不再是 AI 进步的唯一路径——华科 + VIVO 用 0.22B 小模型在 6 个基准上对标/超越 FLUX.1-Fill-Dev，让消费级 GPU 也能跑 10B 级图像修复。

封面图

🚀 什么是 Moebius？

Moebius 是华中科技大学（hustvl 实验室）+ VIVO AI Lab 联合发布的轻量级图像修复框架（Image Inpainting），2026-06-18 被 ECCV 2026 接收。它的核心卖点是：用 0.22B（226M）参数实现对标/超越 10B 级工业 SOTA 的修复质量。

参数效率极度夸张——Moebius 不到 FLUX.1-Fill-Dev（11.9B）的 2%，单步推理延迟仅 26.01ms，相比工业 SOTA 整体加速 >15×。在 Hugging Face 日榜/周榜连续冲顶（06-19 日榜第 1，06-25 周榜第 4/105）。

核心定位：打破"低参数 + 快推理 + 高质量"的不可能三角——协同架构设计与知识蒸馏两手抓

GitHub stars GitHub forks

✨ 核心功能一览

项目概览

极致的参数效率（< 2%）

  • Moebius 仅含 0.22B（226M）参数
  • 仅为 FLUX.1-Fill-Dev（11.9B）的 不到 2%
  • 可在消费级 GPU / 边缘设备上部署

15× 推理加速（26ms/step）

  • 单步推理延迟 26.01 ms
  • 整体运行时间加速 >15×
  • 实时性场景可用（直播修图、视频去水印）

10B 级修复质量

  • 在 6 个综合基准测试中，与 FLUX.1-Fill-Dev、SD3.5 Large-Inpainting 等 10B 级 SOTA 模型持平或超越
  • 覆盖 自然场景（Places2）和 人像场景（CelebA-HQ、FFHQ）

协同核心创新

不可能三角

(1) 架构设计 - LλMI Block：

  • 重新设计自注意力和交叉注意力
  • 将空间上下文和全局语义先验压缩为固定大小的线性矩阵
  • 绕过二次计算开销

(2) 自适应多粒度蒸馏策略：

  • 在 latent space 中严格迁移教师模型（PixelHacker）的表征能力
  • 避免昂贵的像素空间解码
  • 对齐从微观中间特征到宏观扩散轨迹的多粒度监督
  • 通过梯度范数自适应损失加权机制动态平衡训练

(3) 最优协同平衡：

  • 系统探索紧凑结构与蒸馏之间的相互约束
  • 映射"架构-蒸馏协同前沿"
  • 确保 0.22B 学生模型能最大限度吸收教师模型的语义推理能力

协同 × (架构 + 蒸馏) = 打破"低参数、快推理、高质量"的不可能三角

🛠️ 快速上手：5 分钟跑通示例

环境安装

# 推荐使用 conda
conda create -n moebius python=3.14.4
conda activate moebius

# 克隆仓库
git clone https://github.com/hustvl/Moebius.git
cd Moebius

# 安装依赖
pip install -r requirements.txt

核心依赖：

  • torch=2.7.1
  • diffusers=0.38.0
  • transformers=4.56.2
  • flash-linear-attention=0.3.2

模型权重组织结构

Moebius/
├── weight/
│   ├── Moebius/
│   │   ├── pretrained/           # 通用预训练权重
│   │   ├── ft_places2/          # 自然场景微调
│   │   ├── ft_celebahq/         # CelebA-HQ 人像微调
│   │   └── ft_ffhq/             # FFHQ 人像微调
│   └── vae/                      # VAE 模块
└── config/

注意：HF 仓库分 4 个子目录（pretrained/ft_places2/ft_celebahq/ft_ffhq），下载时要把 4 个子目录都拉下来

推理代码（CLI）

# 自然场景（Places2）图像修复
python -m infer.infer_moebius \
    --model-config config/model_cfg/moebius.yaml \
    --model-weight weight/Moebius/ft_places2/diffusion_pytorch_model.bin \
    --real-dir data/images \
    --mask-dir data/masks \
    --save-dir ./outputs \
    --cfg 2.0 \
    --batch-size 8 \
    --num-workers 8

训练代码

# 单 GPU 训练
PY_TRAINER=train_distillation.py bash run/run_ddp_1node.sh config/train_demo.sh

# 多 GPU 训练（4 卡）
NUM_GPUS_PER_MACHINE=4 bash run/run_ddp_1node.sh config/train_demo.sh

📊 与竞品对比：6 个基准对标/超越 10B 工业 SOTA

性能对比

核心参数与速度对比

模型 参数量 单步延迟 相对速度
FLUX.1-Fill-Dev 11.9B ~390 ms 1× 基线
SD3.5 Large-Inpainting ~8B ~280 ms ~1.4×
Moebius（0.22B） 0.22B 26.01 ms >15×

0.22B 参数 = FLUX 的 1.8% 体积 = 15× 加速，仍能跑出同等质量

6 基准修复质量

定性对比

在 Places2 / CelebA-HQ / FFHQ 等 6 个综合基准上：

  • 与 FLUX.1-Fill-Dev（10B+ 工业 SOTA）持平或超越（FID / LPIPS / PSNR / SSIM 多维度）
  • 与 SD3.5 Large-Inpainting（10B+ 工业 SOTA）持平或超越
  • 视觉对比上几乎看不出与 10B 模型的差距

💡 适用场景

场景 1：自然场景修复（Places2 风景/城市）

Places2 自然场景

功能说明：对风景照、城市街景、室内外建筑等自然场景做局部修复——移除路人、修复破损区域、补全缺失部分。

输入要求：原始图像 + 掩码（mask 标记需要修复的区域）

输出效果：与原图无缝融合的修复结果，保持场景的光照、纹理、几何一致性

适用场景：

  • 电商商品图精修（去除杂物）
  • 老照片修复（破损区域重建）
  • 街景图清理（移除行人/车辆/标识）
  • 旅游照优化（去掉干扰元素）

场景 2：人像修复（CelebA-HQ / FFHQ）

人像场景

功能说明：对人像照片做局部修复——祛斑、磨皮（精细控制）、换发型、修改表情细节、补全被遮挡区域。

输入要求：人像图像 + 掩码（人脸区域标注）

输出效果：自然真实的人像修复，保持五官比例、皮肤质感、面部光照

适用场景：

  • 摄影后期人像精修
  • AI 修图 APP 的底层引擎
  • 老照片人脸还原
  • 影视后期人脸补帧

场景 3：消融实验展示

消融实验

消融结论：

  • 仅 LλMI Block（无蒸馏）：参数降低但质量损失大
  • 仅蒸馏（不换架构）：质量提升但速度无改进
  • LλMI + 自适应多粒度蒸馏：质量与速度兼得，协同效应明显

两个创新缺一不可——这就是 Moebius "协同设计" 的精髓

用户群体总结

  • ✅ AI 图像应用开发者：用 0.22B 模型在消费级 GPU（RTX 4090 / 3090）跑 10B 级修复质量
  • ✅ 电商 / 修图 APP 团队：推理加速 15× 意味着单位算力修复 15 倍图片，服务器成本暴降
  • ✅ 学术研究者：挑战 Scaling Law 的新范式（架构 + 蒸馏协同），值得跟踪
  • ✅ 边缘设备/移动端团队：模型体积小到可在端侧部署（需进一步优化）
  • ❌ 不适合：需要生成式编辑（如 text-guided inpainting）—— Moebius 主要是 mask-guided 修复

🔬 性能基准细节

表 2

表 3

评测维度（在 6 个基准上）：

  • FID（Fréchet Inception Distance）：越低越好
  • LPIPS（Learned Perceptual Image Patch Similarity）：越低越好
  • PSNR（Peak Signal-to-Noise Ratio）：越高越好
  • SSIM（Structural Similarity）：越高越好
  • 用户研究：人类评估的偏好率

Moebius 在 4 个客观指标上全部优于或持平 FLUX.1-Fill-Dev，同时参数量不到 2%

💰 定价方案

Moebius 模型权重 + 训练代码 + 推理代码全部 Apache 2.0 协议开源。

可访问渠道：

完全免费商用，可直接拉权重自己部署，无调用次数限制

开源协议：Apache-2.0

🎯 总结

Moebius 给"算力堆叠派"上了一课——0.22B 小模型也能打平 10B 工业 SOTA。这背后是 LλMI Block 架构 + 自适应多粒度蒸馏的协同设计，不靠暴力缩放而靠精巧方法。

最值得关注的是 15× 推理加速——这意味着以前需要 A100/H100 跑的服务，现在用 RTX 4090/3090 就能扛，单位算力修复图片数量翻 15 倍。对 AI 图像应用开发者来说，这是个"成本结构"级别的变化。

推荐指数： ⭐⭐⭐⭐⭐（满分5星）

适合人群： AI 图像应用开发者、电商/修图 APP 团队、学术研究者、边缘设备团队

立即体验： Moebius GitHub

数据截至 2026-06-29，最新信息请以 GitHub 仓库和 ECCV 2026 论文为准。