Project Icon

evf-sam2-multitask

创新视觉语言融合技术提升文本引导图像分割效果

EVF-SAM项目引入了早期视觉语言融合技术,旨在优化文本引导的图像分割任务。通过有效结合视觉与语言信息,该技术显著提升了分割的精确度和效率。项目提供了模型检查点,使用者可通过源代码中的'inference.py'文件了解具体应用方法。值得注意的是,当前版本需要从源代码直接导入模型脚本,尚不支持'AutoModel.from_pretrained(...)'功能。

paligemma-3b-pt-224 - 基于SigLIP和Gemma的多功能视觉语言模型
GithubHuggingfacePaliGemma图像处理多语言开源项目模型自然语言处理视觉语言模型
PaliGemma是一款结合SigLIP视觉模型和Gemma语言模型的视觉语言模型。该模型可处理图像和文本输入并生成文本输出,支持多语言。PaliGemma在图像字幕、视觉问答、文本阅读、物体检测等多种视觉语言任务中表现优异。模型采用Transformer架构,拥有30亿参数,经过大规模多语言数据预训练,可通过微调应用于特定任务。
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。
MMVP - 探索多模态大语言模型的视觉局限
GithubInterleaved-MoFMMVP基准测试多模态LLM开源项目视觉模式视觉能力
MMVP基准测试揭示了多模态大语言模型在视觉理解方面的局限。即使是顶尖模型也难以准确完成基本视觉定位任务。项目开发的Interleaved-MoF模型旨在改善这些问题。MMVP还提供了开放的评估工具和数据集,为多模态AI技术的发展做出了贡献。
MoE-LLaVA - 高效视觉语言模型的新方向
GithubMoE-LLaVA多模态学习大视觉语言模型开源项目性能表现稀疏激活
MoE-LLaVA项目采用混合专家技术,实现了高效的大规模视觉语言模型。该模型仅使用3B稀疏激活参数就达到了与7B参数模型相当的性能,在多项视觉理解任务中表现优异。项目提供简单的基线方法,通过稀疏路径学习多模态交互,可在8张A100 GPU上1天内完成训练。MoE-LLaVA为构建高性能、低参数量的视觉语言模型探索了新的方向。
groundingLMM - 结合视觉分割和对话生成的多模态AI模型
GLaMMGithub图像分割多模态模型对话生成开源项目视觉基础
GLaMM是一种新型多模态AI模型,将自然语言生成与对象分割技术相结合。该模型提出了接地对话生成任务,并基于GranD数据集进行训练。GLaMM能够处理图像和区域级输入,支持视觉对话和指代表达分割等功能,为视觉语言交互提供了新的解决方案。
mask2former-swin-large-ade-panoptic - 通用图像分割模型,提升性能和效率
ADE20kGithubHuggingfaceMask2FormerMaskFormer分割开源项目模型视觉
Mask2Former利用多尺度可变形注意力Transformer,提高图像分割性能与效率。其掩蔽注意力解码器在不增加计算负担的情况下提升表现,适用于实例、语义和全景分割。基于ADE20k全景分割数据集的训练研究,提供优化的分割方案。
idefics2-8b - 多模态AI模型实现图文交互
GithubHuggingfaceIdefics2图像理解多模态模型开源项目模型自然语言对话视觉AI
Idefics2是一款多模态AI模型,支持图像和文本的任意序列输入并生成文本输出。它能回答图像问题、描述视觉内容、基于多图创作故事,也可作为纯语言模型使用。相比前代,Idefics2在OCR、文档理解和视觉推理方面有显著提升。模型提供8B参数基础版、指令微调版和长对话优化版,均以Apache 2.0许可开源发布。
Segment-and-Track-Anything - 视频中任意对象的自动分割与追踪系统
AI视觉GithubSAM-Track交互式分割开源项目目标跟踪视频分割
Segment-and-Track-Anything是一个专注于视频中任意对象分割和追踪的开源项目。该系统集成了SAM模型的关键帧分割能力和DeAOT模型的多目标追踪功能。它支持自动检测新对象、交互式修改、文本提示等多种操作模式,适用于街景分析、增强现实、细胞追踪等领域。项目提供了直观的WebUI界面和灵活的参数设置,使用户能够轻松实现复杂的视频对象分割和追踪任务。
mask2former-swin-large-cityscapes-panoptic - 在图像分割任务中,Mask2Former模型以高效提升性能
CityscapesGithubHugging FaceHuggingfaceMask2FormerTransformer图像分割开源项目模型
该项目使用Mask2Former模型,整合多尺度变形注意力和掩码注意力机制,在实例、语义及全景分割任务中展现卓越性能。相比之前的MaskFormer,Mask2Former实现效果提升与计算简化,在Cityscapes全景分割任务中表现突出,充分展示了其在图像分割中的应用潜力。
tokenize-anything - 基于视觉提示的多功能区域分割识别和描述模型
AI分割识别GithubTAP多任务处理开源项目灵活提示视觉语言模型
Tokenize Anything via Prompting是一个多功能视觉模型,可通过点、框和草图等视觉提示对图像中的任意区域进行分割、识别和描述。该模型利用SA-1B数据集和预训练的EVA-CLIP模型进行训练,具备强大的语义理解能力。其模块化设计支持多样化的视觉语言任务,可自定义预测器和异步处理流程,适用于各种应用场景。
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

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。

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