OmniTokenizer

联合图像视频标记器实现高效视觉生成

OmniTokenizer 视觉生成图像视频联合标记器 VQVAE 语言模型 Github 开源项目

OmniTokenizer是一个图像和视频联合标记器，采用单一模型和权重，提供最先进的重建性能。它具有高分辨率和长视频适应性，可与语言模型和扩散模型结合实现视觉生成。项目提供预训练模型、训练脚本和评估工具，支持VQVAE和VAE版本，为视觉生成研究提供基础设施。

文档

text-to-video-synthesis-colab - 多模型文本到视频合成工具集成

AI模型ColabGithubHugging Face开源项目文本生成视频

该开源项目集成了Longscope、Zeroscope和Potat1等多个文本到视频合成模型。用户可在Colab环境中,通过输入文本生成短视频。项目支持多种分辨率和风格选择,并包含视频增强功能。这一工具集适用于多种创意和内容制作场景,为AI视频创作提供了便利。

CogView - 中文文字生成逼真图像，支持英文和中文输入

CogViewGithubImageRewardNeurIPS 2023text-to-imagetransformer开源项目

CogView是一个基于4B参数预训练的转换器，用于生成通用领域的文本到图像。最新版本CogView2显著提升了生成速度，并扩展支持英文输入。用户可以通过Github和Wudao平台体验并下载预训练模型。项目还包含超分辨率和图像到文本转换功能，并提供详细的设置和运行指南。该项目获得NeurIPS 2021认可，并推荐使用PB-relax和Sandwich-LN技术稳定训练大型转化器。

efficientvit - EfficientViT多尺度线性注意力用于高分辨率密集预测

EfficientViTGithub图像分割开源项目模型优化深度学习计算机视觉

EfficientViT是一种新型ViT模型，专注于高效处理高分辨率密集预测视觉任务。其核心是轻量级多尺度线性注意力模块，通过硬件友好操作实现全局感受野和多尺度学习。该项目提供图像分类、语义分割和SAM等应用的预训练模型，在性能和效率间达到平衡，适合GPU部署和TensorRT优化。

models - 探索最先进的机器学习模型与技术

GithubONNX Model Zoo图像分类对象检测开源项目机器学习模型语言处理

ONNX Model Zoo是一个开源平台，汇集了各种预训练且处于技术前沿的机器学习模型，涵盖计算机视觉、自然语言处理等多个领域。旨在为开发者、研究人员和技术爱好者提供高效实用的AI工具，加速机器学习技术的应用和发展。此外，ONNX Model Zoo支持多种框架和工具，通过共同的文件格式和操作集，促进了AI开发的灵活性和互操作性。平台以开放性和社区驱动的特性为己任，含有诸如图像分类、对象检测等主要模型，并通过简易接口及高级工具满足不同用户需求，使其既适应初学者也满足专业人士的需求。

open_clip - 探索前沿图像与语言对比预训练技术

GithubOpenCLIP图像识别对比学习开源项目零样本学习预训练模型

OpenCLIP是一个先进的开源深度学习项目，专注于OpenAI的CLIP模型的实现和优化。该项目在多样化的数据源和不同的计算预算下成功训练出多个高效能模型，涵盖图像和文本嵌入、模型微调及新模型开发等多个领域。通过增强图像与语言的联合理解能力，OpenCLIP显著推动了人工智能技术的发展，拓宽了其应用领域。

open_flamingo - 开源多任务视觉语言模型，支持图像文本生成和多模态训练

DeepMindGithubMultimodalOpenFlamingoPyTorchVision-Language Model开源项目

该项目提供了DeepMind Flamingo的PyTorch开源实现，用于训练和评估多任务视觉语言模型。OpenFlamingo处理多模态数据集，通过跨模态注意力层结合预训练视觉编码器和语言模型，实现图像和文本条件下的文本生成。用户可通过详细的安装和使用指南快速上手，并访问多个预训练模型和权重。项目欢迎社区贡献和反馈，支持多种语言和视觉编码器，适用于多种应用场景。

Groma - 多模态大语言模型Groma的视觉定位技术

GithubGroma区域理解多模态大语言模型开源项目视觉上下文视觉标记

Groma是一款多模态大语言模型，具有出色的区域理解和视觉定位功能，能够处理用户定义的区域输入并生成基于视觉内容的长文本回答。Groma采用独特的视觉标记和外部模块进行定位，在多模态引用表达理解基准方面表现优秀，并提供详细的安装、数据准备和训练指南，方便用户进行自定义训练。

internlm-xcomposer2d5-7b-4bit - 简化大型语言模型的文本与图像处理新纪元

4位量化模型GithubHuggingfaceInternLM-XComposer开源项目文本图像理解模型视频理解长上下文能力

InternLM-XComposer2.5在文本与图像理解领域展现非凡性能，其应用灵活性媲美GPT-4V，仅靠7B参数即可完成复杂任务。模型通过24K图文上下文训练与96K扩展能力，适用于大量输入输出任务。此外，项目提供了4-bit量化模型来有效降低内存消耗，并支持使用Transformers快速集成，涵盖从视频理解到多图对话的多种应用场景。

TokenHMR - 基于令牌化姿态表示的人体网格重建新方法

GithubTokenHMR人体网格恢复姿态表示开源项目深度学习计算机视觉

TokenHMR采用阈值自适应损失缩放和令牌预测技术,通过令牌化和TokenHMR两个阶段提高3D人体网格重建精度。该方法在图像对齐和3D姿态估计方面均有良好表现,可用于图像和视频处理,对人体姿态和形状估计研究具有重要意义。

rich-text-to-image - 富文本格式提升文本到图像生成的精确控制

AI绘图GithubICCV 2023Rich-Text-to-ImageStable Diffusion开源项目文本生成图像

Rich-Text-to-Image项目利用富文本格式信息增强文本到图像生成的控制能力。该项目通过字体大小、颜色、样式和脚注等格式实现精确的颜色渲染、局部风格控制和详细区域合成。这种方法支持token显式重新加权，可与Stable Diffusion等主流模型集成，提供更精细的图像生成控制。项目开源了代码实现，并提供在线演示和相关论文，为文本到图像生成领域开辟了新的研究方向。

相关项目

推荐项目

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com