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。

SEED - 融合视觉与语言的多模态AI框架
AI助手GithubSEED-LLaMA多模态大语言模型开源项目视觉语言模型
SEED是一个创新的多模态AI框架,通过视觉分词器和去分词器,赋予大语言模型视觉理解和生成能力。该系统支持多模态理解与生成,展现出多轮上下文多模态生成等组合能力。基于SEED开发的SEED-LLaMA在广泛的多模态任务中表现优异,为AI领域开辟了新的研究方向。
EVE - 无编码器视觉语言模型实现高效性能
EVEGithub开源项目微调无编码器视觉语言模型预训练
EVE项目开发了一种无编码器的视觉语言模型架构,通过高效训练策略和精选数据集实现了与现有编码器基础模型相当的性能。该模型支持任意纵横比图像输入,在多项基准测试中表现优异。EVE-7B和EVE-7B-HD两个版本在视觉语言任务中展现了强大能力,为跨模态纯解码器架构提供了高效实用的开发方法。
paligemma-3b-mix-224 - 视觉语言模型PaliGemma实现多语言图像理解与文本生成
GithubHuggingfacePaliGemma图像理解多任务处理开源项目模型自然语言生成视觉语言模型
PaliGemma-3b-mix-224是一款基于SigLIP和Gemma的视觉语言模型,可同时处理图像和文本输入并生成多语言文本输出。该模型在图像字幕、视觉问答、文本阅读、目标检测等任务中表现优异。采用33亿参数的Transformer架构,经大规模多语言数据预训练,通过微调可适用于多种视觉语言应用场景。
InternVL2-8B - 多模态大语言模型在图像理解、视频分析和目标定位方面的全面能力
GithubHuggingfaceInternVL2多模态大语言模型开源项目指令微调推理性能模型视觉语言模型
InternVL2-8B是一个基于InternViT-300M-448px和internlm2_5-7b-chat的多模态大语言模型。该模型在文档理解、图表分析和场景文本识别等图像任务中表现优异,同时在视频理解和目标定位方面也展现出强大能力。支持8k上下文窗口,能够处理长文本、多图像和视频输入,在开源多模态模型中具有竞争力。
paligemma-3b-pt-896 - 轻量级视觉语言模型支持多种图像文本任务
GithubHuggingfacePaliGemma图像文本生成多语言支持开源项目微调模型视觉语言模型
PaliGemma是一个轻量级视觉语言模型,基于SigLIP视觉模型和Gemma语言模型构建。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在图像描述、视觉问答、文本识别等多种视觉语言任务中表现优异。经过大规模数据预训练后,可通过微调应用于特定视觉语言场景。
Awesome-Open-Vocabulary-Semantic-Segmentation - 开放词汇语义分割研究成果汇总
CLIPGithub开放词汇开源项目深度学习计算机视觉语义分割
这是一个汇总开放词汇语义分割领域研究成果的项目。内容涵盖全监督、弱监督和无需训练等多种方法,同时收录零样本语义分割、指代图像分割和开放词汇目标检测等相关任务的论文。项目旨在为研究者提供该领域的最新进展概览。
cogvlm2-llama3-chinese-chat-19B - 双语视觉语言模型,支持大规模文本和图像解析
CogVLM2GithubHuggingface中文支持开源模型开源项目文本生成模型视觉理解
CogVLM2-LLaMA3-Chinese 是一个开源模型,支持中文和英文,表现出显著性能提升,比如在 TextVQA 和 DocVQA 基准测试中。这一模型支持最大8K的文本长度和1344*1344的图像分辨率,特别适合文本和图像的理解与对话任务。构建于Meta-Llama-3-8B-Instruct基础之上,用户可在ZhipuAI开放平台进行实际体验,适用于需要强大图像解析和多语言支持的场景。
Emu3-Gen - 统一模型驱动的AI系统实现图像文本与视频的生成与理解
AI生成Emu3GithubHuggingface图像处理多模态模型开源项目模型深度学习
Emu3采用单一变换器架构,将图像、文本和视频转化为统一序列空间进行处理。通过纯粹的下一标记预测训练方式,该系统在图像生成、视觉语言理解和视频生成等多个任务中展现出优异性能。与SDXL、LLaVA-1.6等专门模型相比,Emu3以更简洁的架构实现了更强的多模态处理能力。
mask2former-swin-base-coco-panoptic - 多任务图像分割的先进模型
GithubHuggingfaceMask2Former图像分割开源项目模型深度学习计算机视觉语义分割
Mask2Former-swin-base-coco-panoptic是一个基于COCO全景分割数据集训练的先进图像分割模型。它采用统一方法处理实例、语义和全景分割任务,通过预测掩码集合和对应标签实现多任务分割。该模型引入多尺度可变形注意力Transformer和masked attention等技术,在性能和效率上超越前代方法。Mask2Former为计算机视觉领域提供了versatile的图像分割解决方案,适用于多种分割场景。
Emu3-VisionTokenizer - Emu3多模态模型通过单一预测方法实现突破性能
Emu3GithubHuggingface人工智能图像生成多模态模型开源项目模型视频生成
Emu3是一套创新的多模态模型,采用单一的下一个令牌预测方法进行训练。该模型将图像、文本和视频统一处理,从头训练单个Transformer模型。在生成和理解任务中,Emu3的表现超越了SDXL、LLaVA-1.6和OpenSora-1.2等知名模型,无需复杂架构。Emu3能生成高质量图像、理解视觉语言,并通过简单预测生成连贯视频,展现了多模态AI的新可能。
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