VAR

VAR

通过大规模预测生成可扩展图像的视觉自回归模型

VAR模型利用创新的'下一尺度预测'策略,重塑自回归图像学习方式,优于传统扩散模型。它适用于多种图像生成任务,展现出优秀的尺度预测与型态泛化能力。现可通过FoundationVision/var进行交互体验。

VAR可视化自回归建模图像生成GPT风格模型扩散模型Github开源项目

项目介绍:VAR项目

项目概述

VAR(Visual Autoregressive Modeling)是一个创新的视觉生成方法,它通过粗到精的"下一层次预测"或"下一分辨率预测"的自回归学习,重新定义了图像生成,区别于传统的"下一个像素预测"方式。这个项目在NeurIPS 2024大会上获得了口头报告的荣誉。

项目亮点

首次超越扩散模型

VAR项目首次展示了GPT风格的自回归模型在视觉生成上的能力,可以超越现有的扩散模型。这标志着图像生成技术的一个新高度。

发现缩放定律

在VAR变换器中,研究人员观察到了幂律缩放定律的存在,这是计算机视觉领域的重要发现之一。

零样本泛化能力

VAR模型展示了卓越的零样本泛化能力,这意味着它可以在未见过的图像类别上进行推理,从而提高了模型的通用性和实用性。

VAR模型库

VAR提供了多个模型可供研究和使用。各个模型在生成图像的效果和性能成本上有所不同,从310M参数至2.0B参数的模型均有覆盖。这些模型可以通过Hugging Face平台下载。

模型分辨率FID 评分相对成本参数数量
VAR-d162563.550.4310M
VAR-d202562.950.5600M
VAR-d242562.330.61.0B
VAR-d302561.9712.0B
VAR-d30-re2561.8012.0B

项目试用

VAR提供了一个交互式演示网站,供用户体验模型的图像生成能力。这是一个让人们感受视觉自回归建模乐趣的好机会。

安装和训练

要使用VAR模型,用户需要安装torch>=2.0.0以及相关的Python包,并准备ImageNet数据集。提供了详尽的训练脚本,用户可以根据需求训练VAR模型以生成高质量的图像。

样本采样与零样本推理

VAR模型支持生成和评价潜在图像质量的技术。通过调整采样的参数,可以在图像质量和多样性之间进行权衡。

许可证

该项目遵循MIT许可证,确保了广泛的使用和修改自由。

引用

如若项目中的研究工作对您的研究有所帮助,欢迎在相关文献中引用该项目,以便推广和承认本项目的贡献。

编辑推荐精选

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

下拉加载更多