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。

CVinW_Readings - 聚焦计算机视觉在野外(Computer Vision in the Wild)这一新兴研究领域

Github图像分类多模态开源项目计算机视觉迁移学习预训练模型

CVinW_Readings项目聚焦计算机视觉在野外(Computer Vision in the Wild)这一新兴研究领域。项目提供CVinW简介并维护相关论文集。CVinW致力于开发易于适应广泛视觉任务的可转移基础模型，特点是广泛的任务转移场景和低转移成本。内容涵盖任务级转移、高效模型适应和域外泛化等研究方向的最新进展。

VisualGLM-6B - 一个具备处理图像、中文和英文的能力的开源多模态对话语言模型

GithubVisualGLM-6B图像描述多模态对话模型开源开源项目微调

VisualGLM-6B是一个开源多模态对话语言模型，具备处理图像、中文和英文的能力。该模型继承自强大的ChatGLM-6B基础，增添了6.2亿参数，整合了先进的BLIP2-Qformer技术，达到了语言和视觉数据的高效融合。模型总参数量为7.8亿，展现在多个核心多模态任务上的卓越效能。针对各种应用场景均进行了优化，支持在消费级显卡上运行，降低了使用门槛，拓展了其在学术研究和实务应用中的潜力。

LVM - 大规模视觉模型的创新顺序建模方法

GithubLVM大规模视觉模型序列建模开源项目视觉句子视觉预训练模型

LVM是一种创新视觉预训练模型，将多种视觉数据转化为视觉句子，并进行自回归式标记预测。该模型采用顺序建模方法，无需语言数据即可学习大规模视觉模型。通过设计视觉提示，LVM可解决多种视觉任务。兼容GPU和TPU，为大规模视觉模型学习提供新方法。

ladi-vton - 先进的虚拟试衣技术融合潜在扩散与文本反转

GithubLaDI-VTON图像生成开源项目文本倒置潜在扩散虚拟试穿

LaDI-VTON是一种结合潜在扩散模型和文本反转技术的虚拟试衣系统。它通过可跳跃连接的自编码器增强图像生成,并利用文本反转将服装特征映射到CLIP词嵌入空间,有效保留服装细节。在Dress Code和VITON-HD数据集上的测试显示,LaDI-VTON的性能显著超越了现有方法,为虚拟试衣技术带来突破。

dinov2 - 通过无监督学习构建强大视觉特征的先进方法

DINOv2GithubVision Transformer开源项目自监督学习视觉特征计算机视觉

DINOv2是一种先进的无监督视觉特征学习方法,在1.42亿张未标注图像上预训练后生成高性能、鲁棒的通用视觉特征。这些特征可直接应用于多种计算机视觉任务,仅需简单线性分类器即可实现优异效果。DINOv2提供多种预训练模型,包括带寄存器的变体,在ImageNet等基准测试中表现卓越。

PhoGPT - 越南语生成预训练模型系列

GithubPhoGPTVietnamese开源项目生成模型聊天机器人预训练

PhoGPT是一个高性能的越南语生成预训练模型系列，包括基础模型PhoGPT-4B和聊天变体PhoGPT-4B-Chat。PhoGPT-4B在102B词汇上预训练，支持8192上下文长度和20K词汇类型。PhoGPT-4B-Chat经过微调，提升了对话和指令响应能力。PhoGPT在开源模型中表现优异，适合多种生成任务。

vit_base_patch8_224.dino - 将自监督DINO方法应用于视觉变换器以增强图像特征提取能力

GithubHuggingfaceImageNetVision Transformer图像分类开源项目模型特征提取自监督学习

该项目利用Vision Transformer (ViT) 和自监督DINO方法进行图像特征提取，支持图像分类和嵌入应用。模型在ImageNet-1k数据集上进行了预训练，具有85.8M参数，能够处理224 x 224分辨率的图像。由于其参数利用效率高，该模型在大规模数据集上表现良好，适合精确特征提取的视觉任务，增强图像识别及分析能力。通过`timm`库可轻松实现模型调用和图像处理，满足多种计算机视觉应用需求。

guidance - 灵活高效的语言模型编程框架

AI编程GithubGuidance代码生成多模态开源项目语言模型

Guidance是一个创新的语言模型编程框架,通过约束生成和控制流程来优化模型输出。它支持正则表达式、上下文无关文法等约束方式,并能灵活结合条件、循环等控制结构。Guidance可显著提升特定任务的输出质量,同时降低延迟和成本。该框架兼容多种后端,包括Transformers、llama.cpp和OpenAI等,具有广泛的适用性。

EVF-SAM - 基于早期视觉语言融合的文本引导图像分割模型

EVF-SAMGithubSAM模型图像分割开源项目视觉语言融合语义分割

EVF-SAM项目通过早期视觉语言融合技术扩展了SAM模型的能力，实现高精度的文本引导图像分割。该模型在T4 GPU上可在几秒内完成推理，计算效率高。最新版本基于SAM-2支持视频分割，展现了零样本文本引导视频分割能力。EVF-SAM在多个数据集上表现出色，为计算机视觉领域提供了新的解决方案。

3DitScene - 通过语言指令编辑3D场景的创新技术

3DitSceneGithub场景编辑开源项目计算机视觉语言引导高斯散射

3DitScene是一个开源项目，开发了基于语言引导的解耦高斯散射技术来编辑3D场景。该技术允许通过自然语言指令编辑场景中的特定对象，包括移动、旋转或删除。项目保持场景整体一致性，同时支持生成新视角。开发者提供了安装指南和使用说明，并在Hugging Face平台上部署了演示，方便研究人员和开发者探索这一3D场景编辑技术。

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