1d-tokenizer

创新1D图像分词框架实现高效图像处理

1d-tokenizer项目开发了创新的1D图像分词框架，将256×256图像压缩至32个离散标记。该技术突破2D分词限制，提供更灵活紧凑的图像表示。相比扩散模型，生成速度提升数百倍，同时维持高质量输出。研究还深入探讨1D图像分词特性，为图像处理领域开辟新方向。

访问官网

SimpleHTR - TensorFlow手写文本识别系统，支持单词和整行文本识别

CTC解码GithubIAM数据集TensorFlow字束搜索解码开源项目手写文字识别

本手写文本识别系统使用TensorFlow实现，并训练于IAM数据集。其能够识别单词和整行文本，验证集中3/4的单词被正确识别，字符错误率约为10%。系统提供预训练模型下载和多种解码器选项，包括适用于Windows的word beam search解码器。此外，还支持快速数据加载和训练设置，适合快速开发与部署文本识别应用。

img2img-turbo - 单步图像翻译模型

CycleGAN-TurboGithubimg2img-turbopix2pix-turbo图像转化对抗学习开源项目

通过对单步扩散模型（例如SD-Turbo）进行对抗性学习，img2img-turbo实现了高效的图像翻译。该方法适用于配对和未配对任务，并通过优化生成器架构来提升推理速度和结果多样性。CycleGAN-Turbo和pix2pix-turbo在Sketch2Image和Edge2Image等多个图像翻译任务中均表现出色。

llm-transparency-tool - 深入分析Transformer语言模型的交互式可视化工具

GithubLLM Transparency Tool可视化分析开源项目神经网络语言模型贡献图

LLM Transparency Tool是一个用于分析Transformer语言模型的交互式工具。该工具支持选择模型和提示、运行推理，并通过贡献图可视化模型内部机制。它能够展示token表示、注意力头和前馈网络块的详细信息，有助于理解模型的决策过程。这个工具兼容多种模型，并提供Docker部署选项，是研究人员和开发者分析语言模型的实用资源。

transformer_latent_diffusion - 基于 PyTorch 的 Transformer 潜在扩散文本生图模型

AI绘图GithubLatent DiffusionPyTorchTransformer图像生成开源项目

Transformer Latent Diffusion 是一个基于 PyTorch 的开源项目，实现了文本到图像的潜在扩散模型。该模型体积小、生成速度快、性能合理，可在单 GPU 上快速训练。项目代码简洁，依赖少，注重数据质量。它提供数据处理工具，支持自定义训练，并进行了多项性能优化。项目展示了 256 分辨率随机样本和 CLIP 插值等生成示例。

attention-ocr - 基于注意力机制的视觉OCR模型，实现与导出工具

Attention-OCRGithubOCRTensorflow人工智能图像识别开源项目

该项目提供了基于注意力机制的OCR模型，结合了CNN与LSTM，用于图像识别，并能够导出为SavedModel或frozen graph格式。用户可以通过生成TFRecords数据集、训练、测试及可视化等步骤完整运行该OCR系统。项目还支持通过Tensorflow Serving提供REST API服务，并可以在Google Cloud ML Engine上进行模型训练。目前该项目依赖Tensorflow 1.x，未来计划升级到Tensorflow 2。

LaVIT - 大语言模型理解生成视觉内容的统一框架

GithubLaVIT多模态大语言模型开源项目视觉内容理解视觉内容生成预训练策略

LaVIT项目是一个创新的多模态预训练框架，旨在增强大语言模型处理视觉内容的能力。该项目通过动态离散视觉标记化技术，将图像和视频转换为离散标记序列，使大语言模型能够理解和生成视觉内容。LaVIT支持图像和视频的理解、生成，以及多模态提示生成，为计算机视觉和自然语言处理的融合提供了新的可能性。

segment-anything - 革命性AI模型实现高效图像分割

AI模型GithubSegment Anything图像分割开源项目深度学习计算机视觉

Segment Anything是Meta AI Research开发的图像分割模型，能通过简单输入生成高质量物体遮罩。该模型经过大规模数据训练，具备强大的零样本分割能力。它提供多种版本，支持ONNX导出，并附有示例和文档，便于集成应用。

TF-ID - 开源AI模型助力学术论文表格和图像高效提取

GithubTF-ID图像识别学术论文对象检测开源项目表格识别

TF-ID是一系列用于从学术论文中提取表格和图像的目标检测模型。项目开源了训练代码、模型权重和标注数据集。TF-ID包含四个版本，分为基础和大型模型，可提取有无标题文本的表格和图像。模型基于Florence-2微调，测试准确率达98.06%。项目提供使用示例和完整训练指南，方便研究者复现和应用。

PIA - 个性化图像动画的创新解决方案

GithubPIA动态图像图像动画开源项目文本-图像对齐高动作可控性

PIA是一种个性化图像动画方法，使用插件式模块在文本到图像模型中生成高运动可控性和强文本图像对齐的视频。它支持1024x1024图像，并且在16GB GPU内存下高效运行，兼容Colab和HuggingFace平台。PIA提供多种动画风格和控制参数，如运动幅度和循环动画。通过简便的环境设置和预训练模型下载，用户可以高效地进行图像动画制作。

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。

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com