dict-guided

词典指导场景文字识别方法及VinText数据集

场景文字识别 VinText数据集字典引导深度学习计算机视觉 Github 开源项目

dict-guided项目提出了一种词典指导的场景文字识别方法，旨在改进现有模型性能。项目同时发布了越南语场景文字识别数据集VinText。该方法结合传统和创新策略，提高了文字识别准确率。项目开源了代码、预训练模型，并提供了数据集构建、模型架构和实验结果等详细信息，便于研究人员进行深入研究。

InstructCV - 自然语言指令引导的多任务计算机视觉模型

GithubInstructCV开源项目文本到图像生成深度学习生成扩散模型计算机视觉

InstructCV 项目通过指令调优的文本到图像扩散模型，简化了计算机视觉任务的执行方式。该项目将多个计算机视觉任务转化为文本描述的图像生成问题，并使用涵盖分割、物体检测、深度估计和分类等任务的数据集进行训练。利用大型语言模型生成任务提示，该模型从生成模型转变为指令引导的多任务视觉学习者。项目实现了多种环境配置，包括在Huggingface Spaces的Gradio演示和Google Colab的运行示例，并支持PyTorch 1.5+。

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。

HunyuanDiT - 实现多分辨率扩散和细粒度中英文理解

GithubHunyuanDiT中英双语多轮对话开源开源项目文本生成图像

HunyuanDiT是一个多分辨率扩散变换器模型，具有细粒度的中英文理解能力。该模型采用优化的变换器结构、文本编码器和位置编码，通过迭代数据流程提升性能。HunyuanDiT支持多轮多模态对话，可根据上下文生成和优化图像。经专业评估，该模型在中文到图像生成方面达到开源模型的先进水平。

ScreenAI - 深度理解界面和信息图的视觉语言模型

GithubScreenAIUI理解信息图表理解多模态开源项目视觉语言模型

ScreenAI是一个开源的多模态视觉语言模型，专注于用户界面(UI)和信息图的理解。该模型集成了视觉变换器(ViT)、注意力机制和前馈网络，能够处理图像和文本输入。通过深度学习技术，ScreenAI实现了对复杂视觉信息的处理和文本整合分析，为UI设计、信息可视化和人机交互研究提供了新的工具和方法。

clip-guided-diffusion - 文本生成图像，多功能扩散模型

AI绘图CLIP Guided DiffusionGithubKatherine Crowsonpyglide图像生成开源项目

CLIP Guided Diffusion项目提供文本生成图像功能，支持多种参数和提示词权重设置。此项目采用高效扩散模型，通过命令行或Python接口操作，支持GPU加速，提供丰富的图像尺寸和调校选项，适合生成高质量多样化的视觉内容。

CoDet - 共现引导的开放词汇目标检测方法

CoDetGithub图像文本对齐开放词汇开源项目深度学习目标检测

CoDet是一种开放词汇目标检测方法，采用共现引导来对齐区域和词语。该方法利用大规模图像-文本对训练，在LVIS和COCO数据集上表现优异。CoDet兼容现代视觉基础模型，并可与Roboflow集成实现自动图像标注。这一方法为开放词汇目标检测领域提供了新的解决方案。

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。

vits2_pytorch - 单阶段文本到语音转换的效率与质量提升

GithubVITS2单阶段模型对抗学习开源项目文本转语音架构设计

VITS2_pytorch是一款先进的单阶段文本到语音转换模型，采用对抗学习和架构设计改进前代产品。这一最新的非官方实现版本，旨在通过增强模型结构和训练机制，有效提升语音自然度和特征相似性，同时显著降低对音素转换的依赖，从而提高训练和推断的效率。该项目还为专业人士提供了预训练模型和多种语言的样本音频，支持开箱即用的转换学习。

vietTTS - 开源越南语文本转语音系统

GithubHiFiGANTTS开源项目语音合成越南语预训练模型

vietTTS是一个开源的越南语文本转语音系统，集成了持续时间模型、声学模型和HiFiGAN声码器。项目提供预训练模型、数据处理工具、训练脚本和合成接口，便于研究和开发。包含详细文档，涵盖安装、数据准备和模型训练，对越南语语音合成技术发展具有参考价值。项目提供在线演示和音频样例，直观展示效果。目前项目已停止更新，新版本已迁移至LightSpeed项目，其中包含新的男声模型。

custom-diffusion - 文本到图像扩散模型微调方法

Custom DiffusionGithubStable Diffusion图像生成多概念定制开源项目文本到图像扩散模型

该项目提供了一种高效的文本到图像扩散模型微调方法。只需调整部分模型参数，即可在短时间内完成训练，并减少存储需求。项目还支持多概念组合，附带新数据集和完整的训练步骤。适用于多种类别和应用场景。

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