dinov2

通过无监督学习构建强大视觉特征的先进方法

DINOv2 视觉特征自监督学习 Vision Transformer 计算机视觉 Github 开源项目

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。

文档

Depth-Anything-V2-Large - 单目深度估计新突破：高精度细节与高效性能的完美平衡

Depth Anything V2GithubHuggingface图像处理开源项目模型深度估计神经网络计算机视觉

Depth-Anything-V2-Large是一款基于大规模数据训练的单目深度估计模型。该模型通过595K合成标记图像和62M+真实未标记图像的训练，在细节精度和鲁棒性方面超越了前代版本。与基于SD的模型相比，它不仅更加高效和轻量，处理速度提升了10倍，还在预训练基础上展现出优秀的微调能力。这一模型为计算机视觉领域提供了性能卓越的深度估计解决方案。

DFN2B-CLIP-ViT-L-14 - 基于CLIP架构的大规模数据集训练图像识别模型

CLIPGithubHuggingface图像分类开源项目数据过滤网络机器学习模型计算机视觉

DFN2B-CLIP-ViT-L-14是一个基于CLIP架构的图像识别模型，采用数据过滤网络从128亿图像-文本对中筛选20亿高质量样本进行训练。该模型在多个基准测试中平均准确率达66.86%，可用于零样本图像分类等任务。模型提供OpenCLIP接口，便于开发者使用。DFN2B-CLIP-ViT-L-14体现了大规模数据集和先进算法在计算机视觉领域的应用，为图像理解提供有力支持。

Depth-Anything-V2 - 单目深度估计新突破，高精度与快速推理并重

Depth Anything V2Github开源项目深度估计计算机视觉预训练模型

Depth-Anything-V2是单目深度估计领域的新进展。该模型在细节表现和鲁棒性上显著优于V1版本，并在推理速度、参数量和深度精度方面超越了基于SD的模型。项目提供四种预训练模型，适用于相对和度量深度估计，可处理图像和视频。此外，发布的DA-2K基准为深度估计研究设立了新标准。

dit-base - 面向文档智能处理的自监督预训练图像Transformer模型

DiTGithubHuggingface图像编码开源项目文档分析文档图像转换器模型自监督预训练

DiT-base是一款基于Transformer架构的文档图像处理模型，通过在4200万份文档图像上进行自监督预训练而成。该模型运用掩码补全任务来学习图像的内部表示，可应用于文档分类、表格检测和版面分析等多种任务。DiT-base能够将文档图像编码为向量，为文档智能处理领域的各类应用奠定了基础。

DIVA - 扩散模型辅助CLIP增强视觉理解能力

AI视觉CLIPDIVAGithub开源项目扩散模型迁移学习

DIVA是一种创新方法,利用扩散模型作为视觉助手优化CLIP表示。通过文本到图像扩散模型的生成反馈,DIVA无需配对文本数据即可提升CLIP视觉能力。在MMVP-VLM细粒度视觉评估基准上,DIVA显著提升了CLIP性能,同时保持了其在29个图像分类和检索基准上的强大零样本能力。这为增强视觉语言模型的视觉理解开辟了新途径。

Depth-Anything-V2-Small - 先进高效的开源深度估计工具

Depth-Anything-V2GithubHuggingface图像处理开源项目机器学习模型深度估计计算机视觉

Depth-Anything-V2-Small是一个开源的单目深度估计模型，基于大规模合成和真实图像数据训练。相比前代产品，该模型提供更精细的深度细节和更强的鲁棒性。它比同类基于稳定扩散的模型运行速度快10倍，且更加轻量化。模型支持高效的图像深度推断，可用于各种计算机视觉应用场景。

hibou-L - 专注数字病理学的预训练视觉Transformer模型

DINOv2GithubHibou-LHuggingface医学影像开源项目模型病理学视觉转换器

面向数字病理学的视觉Transformer模型，通过12亿张医疗图像数据集训练而成。模型专注于病理图像特征提取，可应用于多种病理分析任务，并通过transformers库实现便捷部署。

Depth-Anything-V2-Base-hf - 高效精细的单目深度估计模型提供稳健性能

Depth Anything V2GithubHuggingface图像处理开源项目模型深度估计神经网络模型计算机视觉

Depth-Anything-V2-Base-hf是一个基于transformers库的单目深度估计模型。该模型通过大规模合成和真实图像训练，相比V1版本提供更细致的细节和更强的稳健性。它比基于SD的模型效率高10倍且更轻量化，在预训练基础上展现出色的微调性能。模型采用DPT架构和DINOv2骨干网络，适用于零样本深度估计等任务，在相对和绝对深度估计方面表现优异。

openlrm-mix-base-1.1 - 从图像生成3D模型的开源解决方案

GithubHuggingfaceOpenLRM图像编码器开源实现开源项目模型模型卡训练数据

OpenLRM V1.1结合Objaverse和MVImgNet数据集提供从图像生成3D模型的开源解决方案。该项目利用DINOv2作为图像编码器，并使用多层次三平面解码器。与原始论文不同，该模型未采用延迟反向传播技术，并引入随机背景色进行训练。本项目依据Creative Commons非商业许可协议发布，适用于研究用途，商业使用被禁止。用户需注意训练数据中可能存在的偏见，并确保其用法符合法律法规。

ViTamin - 推动计算机视觉进入新时代的可扩展视觉语言模型

GithubViTamin图像处理开源项目深度学习视觉语言模型计算机视觉

ViTamin是一系列可扩展的视觉语言模型,在图像分类、开放词汇检测和分割等任务上取得突破。以436M参数量在DataComp-1B数据集训练,实现82.9%的ImageNet零样本准确率。在7个开放词汇分割基准测试中创新纪录,并提升大型多模态模型能力。获timm和OpenCLIP官方支持,提供简单接口。ViTamin为计算机视觉领域带来新的可能性。

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