Project Icon

siglip-so400m-14-980-flash-attn2-navit

提升视觉模型分辨率与NaViT策略融合

项目提升视觉塔最大分辨率到980x980,结合NaViT策略,支持变分辨率及纵横比自适应的图像处理。这些更新确保与原模型的向后兼容性,同时扩展了视觉处理潜力。通过插值位置嵌入提升分辨率,NaViT策略实现灵活性。用户无需指定patch_attention_mask即可兼容旧版本,享受新功能的优势,确保模型在高效处理高分辨率图像时保持兼容性。

deit3_base_patch16_224.fb_in1k - ImageNet-1k图像分类与嵌入的DeiT-III解决方案
DeiT-IIIGithubHuggingfaceImage EmbeddingsImageNet-1k图像分类开源项目模型模型比较
DeiT-III是一款经过ImageNet-1k训练的图像分类和嵌入模型,拥有86.6M参数以及17.6 GMACs。该模型可以进行图像特征提取与多任务处理,适用于各种视觉应用。对于图形识别及计算机视觉项目的从业者而言,其为ViT提供了一个新的升级途径。
LLM-groundedDiffusion - 优化文本到图像合成的提示理解能力
GPT-4GithubHuggingFaceLLM-grounded DiffusionStable DiffusionTMLR开源项目
本项目通过将大型语言模型(LLM)与文本到图像扩散模型结合,提高了提示理解能力。LLM负责解析文本请求,生成中间表示如图像布局,最终通过稳定扩散模型生成高质量图像。项目支持多种生成方法和开源模型,用户可自行设置实现自托管,从而节约API调用成本。项目更新频繁,包括支持高分辨率生成和集成SDXL精炼器等功能。
vit-tiny-patch16-224 - 轻量级ViT模型实现高效图像分类
GithubHugging FaceHuggingfaceImageNetVision Transformer图像分类开源项目权重转换模型
vit-tiny-patch16-224是一个轻量级视觉transformer模型,专注于图像分类任务。这个模型采用16x16的patch大小和224x224的输入分辨率,在保持分类准确性的同时大幅降低了计算资源需求。其小型结构使其特别适合在资源受限环境中使用或需要快速推理的场景。值得注意的是,该模型是基于Google的ViT架构,由第三方研究者使用timm仓库的权重进行转换和发布。
clip-vit-large-patch14-336 - 大规模视觉语言预训练模型CLIP-ViT-Large
CLIPGithubHuggingfaceViT开源项目模型模型卡片深度学习计算机视觉
CLIP-ViT-Large-Patch14-336是一个基于Vision Transformer架构的视觉语言预训练模型。该模型采用ViT-Large结构,patch大小14x14,输入图像尺寸336x336。它能同时处理图像和文本信息,适用于图像分类、图文检索等多模态任务。虽然训练数据和具体性能未知,但该模型有潜力在视觉语言任务中取得良好表现。
llava-v1.6-mistral-7b-hf - 融合Mistral-7B的多模态视觉语言模型
GithubHuggingfaceLLaVA-NeXT图像理解多模态模型开源项目模型自然语言处理视觉问答
LLaVa-v1.6-mistral-7b-hf是基于Mistral-7B的多模态视觉语言模型,通过提高输入图像分辨率和优化视觉指令微调数据集,增强了推理、OCR和世界知识能力。该模型适用于图像描述、视觉问答等多模态对话任务,为开发高性能多模态聊天机器人提供了强大支持。
CCSR - 改善扩散模型在内容一致超分辨率任务中的稳定性
CCSRGithub图像恢复开源项目扩散模型稳定性超分辨率
CCSR项目专注于提高扩散模型在内容一致超分辨率任务中的稳定性。项目引入全局标准差(G-STD)和局部标准差(L-STD)两个新指标,用于评估基于扩散的方法在超分辨率结果中的图像级和像素级变化。实验表明,CCSR在真实世界和双三次超分辨率任务中均有优异表现,能够生成更稳定、高质量的图像。项目提供开源代码、预训练模型和在线演示,方便研究人员和开发者使用。
FLUX.1-dev-LoRA-AntiBlur - FLUX.1-dev基础上的深度景深增强LoRA模型
AI绘图FLUX.1-devGithubHuggingfaceLoRA图像生成开源项目模型深度景深
FLUX.1-dev-LoRA-AntiBlur是一个基于FLUX.1-dev的LoRA模型,旨在增强图像的深度景深效果。该模型能在保持图像质量的同时显著提升景深,并可与ControlNet等其他组件结合使用。模型使用简便,无需触发词,在diffusers中推荐使用1.0到1.5的缩放比例。用户可以通过Python代码进行本地推理,也可以在Shakker AI平台上在线生成图像。
watermark_detector - 图像水印检测模型,基于Google ViT基础模型
GithubHuggingfacewatermark_detector准确率开源项目模型训练超参数
模型通过微调谷歌的ViT基础模型,用于提高图片水印检测的准确率,在评估集上取得了0.6574的准确度。训练过程中使用了最新的Transformers和Pytorch框架,包含优化参数与学习率调度,提升了训练效率。
MiniGPT4-video - 提升视频理解的创新多模态语言模型
GithubGoldfishMiniGPT4-Video多模态开源项目视频理解长视频
MiniGPT4-Video项目采用交错视觉-文本标记技术,大幅提升了多模态大语言模型的视频理解能力。该模型在短视频理解方面表现优异,多项基准测试中均优于现有方法。项目还开发了Goldfish框架,专门应对任意长度视频的处理难题,有效解决了长视频理解中的噪声、冗余和计算挑战。这些创新成果为视频分析和理解领域开辟了新的可能性。
ViT-B-16-SigLIP-256 - WebLI数据集训练的SigLIP图像-文本对比学习模型
GithubHuggingfaceSigLIPWebLI图像分类图像文本对比开源项目模型模型使用
ViT-B-16-SigLIP-256是基于WebLI数据集训练的SigLIP模型,支持零样本图像分类。该模型兼容OpenCLIP和timm库,通过对比学习生成图像和文本特征表示。它能够计算图像与文本标签的相似度,适用于灵活的图像分类和检索应用。SigLIP采用Sigmoid损失函数进行语言-图像预训练,提高了模型性能。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号