all-seeing

全景视觉识别与关系理解的开放世界AI系统

All-Seeing Project 视觉识别关系理解大规模数据集多模态模型 Github 开源项目

All-Seeing项目开发了全面的视觉识别和理解系统。该项目推出AS-1B大规模数据集和ASM视觉语言模型，实现开放世界的全景视觉识别。其第二版引入关系对话任务，构建AS-V2数据集和ASMv2模型，增强关系理解能力。此外，项目提出CRPE基准测试，为评估关系理解提供系统平台。

Seeing-and-Hearing - 创新框架实现多任务视听内容生成

GithubImageBind多模态生成开源项目扩散模型视频音频生成跨模态生成

Seeing-and-Hearing项目提出了一种优化框架，用于跨模态和联合视听内容生成。该方法使用预训练的ImageBind模型连接独立的视频和音频生成模型，实现双向条件生成和联合视听生成。这一技术适用于视频到音频、音频到视频、图像到音频等多种任务，为内容创作提供了新的可能。

AIAS - 专为图像识别和自然语言处理设计的高效SDK集合，提升开发效率

AIASGithubOCR图像识别开源项目机器学习自然语言处理

AIAS提供多种图像识别和自然语言处理SDK，包括OCR工具、动物分类、单目深度估计等图像处理功能，以及词向量、机器翻译、情感分析等自然语言处理应用。该项目旨在提升开发效率，满足多种业务需求。

SeeSR - 基于语义感知的实景图像超分辨率方法

GithubSeeSR图像超分辨率开源项目扩散模型真实世界图像语义感知

SeeSR是一种新型语义感知实景图像超分辨率技术，结合稳定扩散模型和语义信息提升低分辨率图像质量。该方法已被CVPR2024接收并在GitHub开源。SeeSR可处理多种场景图像，并支持快速推理。项目提供预训练模型、测试数据集和使用说明，便于研究和应用。此外，项目还包含DAPE和SeeSR模型的训练指南，以及用于生成训练数据的工具。SeeSR采用tiled vae方法节省GPU内存，并提供Gradio演示界面。该技术在多个真实世界图像数据集上展现出优异性能。

Depth-Anything - 大规模无标注数据驱动的强大单目深度估计模型

Depth AnythingGithub人工智能图像处理开源项目深度估计计算机视觉

Depth Anything是一款基于大规模数据训练的单目深度估计模型。它利用150万标注图像和6200万无标注图像进行训练,提供小型、中型和大型三种预训练模型。该模型不仅支持相对深度和度量深度估计,还可用于ControlNet深度控制、场景理解和视频深度可视化等任务。在多个基准数据集上,Depth Anything的性能超越了此前最佳的MiDaS模型,展现出优异的鲁棒性和准确性。

cambrian - 开创性视觉为中心的多模态AI模型研究

AI研究Cambrian-1Github多模态LLM开源项目视觉语言模型

Cambrian-1是一个开源的视觉为中心的多模态AI模型项目。采用两阶段训练方法，在8B、13B和34B参数规模上达到了与闭源模型相当的性能。项目发布了Cambrian-10M指令微调数据集和CV-Bench基准测试集，为研究提供重要资源。Cambrian-1使用较少的视觉token，在多个视觉语言任务中表现出色，促进了开放式多模态AI的进步。

llava-onevision-qwen2-7b-si - 多模态AI模型实现图像和视频的深度理解

GithubHuggingfaceLLaVA-OneVisionQwen2图像识别多模态开源项目机器学习模型

LLaVA-OneVision是一个基于Qwen2语言模型的多模态AI系统，拥有32K tokens的上下文窗口。该模型能够处理单图像、多图像和视频输入，在多个基准测试中表现出色。支持英语和中文，适用于广泛的视觉理解任务。开发者可通过提供的Python代码快速集成该模型，实现图像分析和问答功能。

recognize-anything - 通用图像识别模型：支持开放域类别和高精度标签生成

GithubRAM++图像识别多模态开源模型开源项目零样本学习

Recognize Anything Model是一系列开源图像识别模型，包括RAM++、RAM和Tag2Text。这些模型能准确识别常见和开放域类别，支持高精度图像标签生成和全面描述。项目提供预训练模型、推理代码和训练数据集，适用于多种计算机视觉任务。模型性能优于现有先进方案，尤其在零样本识别方面表现突出。

VisionLLaMA - 基于LLaMA的统一视觉模型，为图像生成和理解设立新基准

GithubVisionLLaMA图像理解图像生成开源项目计算机视觉预训练模型

VisionLLaMA是一个基于LLaMA架构的统一视觉Transformer模型，专为处理2D图像而设计。该模型提供平面和金字塔两种形式，适用于广泛的视觉任务，包括图像感知和生成。通过各种预训练范式的广泛评估，VisionLLaMA在多项图像生成和理解任务中展现出卓越性能，超越了现有最先进的视觉Transformer模型，为计算机视觉领域提供了新的基准。

visualwebarena - 真实视觉网络任务评估多模态智能体表现的基准平台

AI评估GPT-4VGithubVisualWebArena多模态代理开源项目视觉网页任务

VisualWebArena是一个评估多模态自主语言智能体的真实基准平台。它包含多种基于网络的复杂视觉任务，全面评估智能体的各项能力。该项目基于WebArena的可复现评估方法，提供端到端训练和环境重置功能，支持在任意网页上测试多模态智能体。项目还公开了GPT-4V + SoM智能体在910个任务中的表现数据，方便研究人员进行分析和评估。

AbSViT - 创新视觉注意力模型实现自适应分析合成

AbSViTGithub图像分类开源项目视觉注意力计算机视觉语义分割

AbSViT是一个创新视觉注意力模型，采用分析合成方法实现自适应的自上而下注意力机制。该模型在ImageNet分类和语义分割任务中表现优异，尤其在鲁棒性测试中展现出色性能。AbSViT能够适应单目标和多目标场景，并根据不同问题动态调整注意力。这一模型为计算机视觉领域开辟了新的研究方向，有望在多种视觉任务中发挥重要作用。

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。

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com