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。

VILA1.5-13b - 多图像推理与跨设备应用的视觉语言模型

GithubHuggingfaceTransformerVILA多图推理多模态开源项目模型视觉语言模型

此页面介绍VILA模型，一种用于多模态研究的视觉语言模型，通过大规模图文数据预训练，提升多重推理能力。VILA支持多图像推理、情境学习，并提供更丰富的知识表现。通过AWQ 4bit量化，模型适用于Jetson Orin等边缘设备，兼顾性能与兼容性。适合计算机视觉与自然语言处理结合的研究者，支持Linux系统，具备出色的指令跟随和视觉推理能力。

Visual-Style-Prompting - 创新的视觉风格提示方法实现文本到风格化图像生成

GithubVisual Style Prompting开源项目扩散模型文本到图像生成自注意力机制风格控制

Visual-Style-Prompting项目提出创新的视觉风格提示方法，通过交换自注意力层键值实现多样化图像生成并保持特定风格。无需微调即可使用，生成图像忠实反映参考风格。经广泛评估，该方法在多种风格和文本提示下表现优异，准确匹配文本描述并最佳呈现参考风格。

YOLO-World - 下一代实时开放词汇目标检测模型

GithubYOLO-World开放词汇开源项目目标检测零样本学习预训练模型

YOLO-World是一款创新的实时开放词汇目标检测模型。经过大规模数据集预训练,它展现出卓越的开放词汇检测和定位能力。采用'先提示后检测'范式,YOLO-World通过重参数化技术实现高效的自定义词汇推理。该模型支持零样本目标检测、分割等多种任务,并开源了在线演示、预训练权重和微调代码,为计算机视觉领域提供了实用的研究与应用工具。

ViT-Prisma - 视觉变换器和CLIP模型机制解析开源库

GithubVision Transformer图像处理开源库开源项目机器学习解释性神经网络可视化

ViT-Prisma是一个专注于Vision Transformer和CLIP模型的开源机制解析库。它提供logit归因、注意力可视化和激活修补等技术，用于深入分析模型内部机制。该库还包含ViT训练代码和预训练模型，支持ImageNet-1k和dSprites分类任务。ViT-Prisma为视觉模型可解释性研究提供了实用的工具集。

text2cinemagraph - 文本描述生成电影图像的全自动方法

GithubODISEOptical Flow PredictionPyTorchStable DiffusionText2Cinemagraph开源项目

该项目提供了一种由文本描述生成映画图的全自动方法。通过Stable Diffusion技术，从自然图像和视频数据集中提取语义信息，预测并传递运动到艺术风格图像中，生成电影图像。详细说明了环境设置、预训练模型下载及推理和训练指南，适用于高级图像处理和动画生成的用户。

VITA - 开源全模态交互语言模型

GithubVITA人工智能多模态大语言模型开源项目自然语言处理语音识别

VITA是一款开源全模态语言模型，实现了视频、图像、文本和音频的综合处理。其特点包括全模态理解、无唤醒交互和音频中断交互，显著提高了用户体验。通过创新的状态令牌和双工方案，VITA提升了多模态交互体验。在多项基准测试中，VITA展现出优秀性能，为多模态AI研究和应用开辟了新途径，有望推动相关技术的发展。

InternVL - 开源多模态模型包提供商业级性能

GPT-4oGithubInternVLSOTA性能多模态模型开源开源项目

InternVL项目，作为一个领先的开源多模态模型套件，提供可媲美商业模型GPT-4o的性能。该项目开放源代码，支持多语种和高效OCR功能，在多个benchmark中展现出顶尖性能。该平台包括多种模型，如InternVL2-Pro和Mini-InternVL系列，适用于从聊天机器人至复杂多模态文档理解的应用场景。完备的文档资料和快速启动指南为社区成员提供便捷的使用和优化体验。

SceneTex - 基于扩散先验的室内场景高质量纹理合成方法

3D渲染GithubSceneTex室内场景开源项目扩散模型纹理合成

SceneTex是一种基于扩散先验的室内场景纹理合成方法。该方法将纹理合成视为RGB空间中的优化问题，采用多分辨率纹理场隐式编码网格外观，并使用交叉注意力解码器确保跨视图风格一致性。SceneTex能为3D-FRONT场景生成高质量、风格一致的纹理，在视觉质量和提示保真度方面优于现有方法。

Binoculars - 无需训练的AI文本检测工具

AI生成文本检测BinocularsGithub开源项目语言模型零样本领域无关

Binoculars是一款无需训练数据的AI文本检测工具，利用语言模型预训练数据集重叠原理识别生成内容。提供Python接口和在线演示，支持零样本检测，目前主要适用于英语文本。该项目为AI文本识别领域引入了新的解决思路。Binoculars适用于学术界、新闻媒体、内容平台等需要识别AI生成文本的场景，有助于维护信息真实性和原创性。

bert-base-vietnamese-uncased - 增强越南语文本分析的BERT语言模型

BERTGithubHuggingfacetrituenhantao.io开源项目模型筛选分类越南语

该BERT模型专为越南语的新闻和维基百科数据而设计，适用于序列分类任务。用户可以通过Python代码轻松导入和使用，提升文本分析和自然语言处理的效率。由trituenhantao.io团队于2020年发布在GitHub，用户可以轻松访问到详细的文档和支持。此模型为自然语言处理和机器学习研究者及开发者提供了强大可靠的工具。

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