SoM

创新视觉提示技术提升GPT-4V图像理解能力

GPT-4V 视觉提示 Set-of-Mark 图像分割视觉推理 Github 开源项目

Set-of-Mark (SoM)通过在图像上叠加可定位标记，增强GPT-4V的视觉理解能力。该技术改善了模型在多种视觉任务中的表现，实现跨图像引用、问题解决和知识共享等应用。SoM为视觉AI领域开辟新方向，使GPT-4V能更准确地分析复杂视觉信息。

Multimodal-GPT - 整合视觉与语言功能的多模态对话机器人

GithubOpenFlamingo多模态GPT开源项目联合训练视觉指令语言模型

Multimodal-GPT是一个基于OpenFlamingo多模态模型的项目，通过结合视觉指令和语言指令数据的联合训练，有效提升模型性能。该项目支持VQA、图像描述、视觉推理、文本OCR和视觉对话等多种数据类型，并利用LoRA进行参数高效的微调。探索Multimodal-GPT的广泛应用可能性。

seggpt-vit-large - 基于上下文的单次图像分割解决方案

GithubHuggingfaceSegGPTTransformer图像分割开源项目模型生成模型语义分割

SegGPT项目采用了类似GPT的Transformer模型，它可以在提供输入图像和提示的情况下生成分割掩码，并在COCO-20和FSS-1000数据集上实现了优异的单次图像分割效果。此模型适合用于需要高精度和上下文整合的图像分割应用场景。

GPT4Point - 用于点语言理解和生成的统一框架

3D点云CVPR2024GPT4PointGithub开源项目生成框架语言理解

GPT4Point项目提供了一个统一框架，用于三维点云与语言的理解和生成，涵盖3D多模态模型、Pyramid-XL自动注释引擎和新的对象级点云基准。项目包含3D多语言模型和控制下的3D生成，包含超过100万个不同详细程度的数据对，并设立了全面的3D点云语言任务评估指标。v1.0版本包含训练和三维描述生成的评估代码。

multimodal-maestro - 多模态AI模型控制与高效提示策略框架

AI提示GithubMultimodal-MaestroPython图像处理大型多模态模型开源项目

multimodal-maestro是一个开源框架，旨在增强对大型多模态AI模型的控制能力。该项目提供先进的提示策略，使模型能够执行复杂的视觉理解任务。支持图像标注、掩码生成等功能，并具有简洁的API设计。multimodal-maestro能够充分发挥GPT-4V等多模态模型的潜力，实现更精准的视觉分析和处理。

VisorGPT - 通过生成式预训练掌握视觉先验 NeurIPS

GithubNeurIPS 2023VisorGPT开源项目深度学习生成预训练视觉先验

VisorGPT项目通过生成式预训练技术学习视觉先验，展示了最新的代码、预训练模型权重和快速入门指南。该项目由新加坡国立大学、深圳大学和腾讯YouTu实验室合作完成。点击查看详细教程和演示视频，了解如何应用这项前沿技术。

visualwebarena - 真实视觉网络任务评估多模态智能体表现的基准平台

AI评估GPT-4VGithubVisualWebArena多模态代理开源项目视觉网页任务

VisualWebArena是一个评估多模态自主语言智能体的真实基准平台。它包含多种基于网络的复杂视觉任务，全面评估智能体的各项能力。该项目基于WebArena的可复现评估方法，提供端到端训练和环境重置功能，支持在任意网页上测试多模态智能体。项目还公开了GPT-4V + SoM智能体在910个任务中的表现数据，方便研究人员进行分析和评估。

Generative-AI - 多模态图像合成与编辑技术及其分类

Data ModalityGenerative AIGithubMultimodal Image Synthesis and EditingTaxonomyVisual AIGC开源项目

该项目附有一篇综述论文，全面分析了多模态图像合成与编辑（MISE）和视觉AIGC的发展情况，并根据数据模态和模型架构进行了分类研究。通过此项研究，科研人员和技术开发者可以深入了解神经渲染、扩散方法、自回归方法及对抗生成网络（GAN）等不同技术及其应用，帮助更好地掌握多模态图像合成技术的前沿进展与实际应用。

sam-vit-huge - SAM 革新性的通用图像分割模型

AI模型GithubHuggingfaceSAM图像分割开源项目模型深度学习计算机视觉

Segment Anything Model (SAM) 是Facebook Research开发的先进图像分割模型。它能根据点或框等简单提示生成精确的对象蒙版，在1100万图像和11亿蒙版的大规模数据集上训练。SAM具备强大的零样本迁移能力，可应用于多种分割任务。模型由视觉编码器、提示编码器和蒙版解码器构成，既可生成单个目标蒙版，也能自动分割整图所有对象。SAM为计算机视觉领域带来了新的可能性。

Open-MAGVIT2 - 自回归视觉生成新突破大幅提升图像分词性能

GithubOpen-MAGVIT2图像分词器大规模词表开源项目自回归模型视觉生成

Open-MAGVIT2是一个创新的自回归视觉生成项目，采用无查找技术和262144大小的码本，克服了VQGAN的局限性。该项目用PyTorch重新实现MAGVIT2分词器，在图像分词方面取得显著进展，8倍下采样时rFID达到0.39。项目致力于推动自回归视觉生成领域发展，目前处于积极开发阶段，未来计划拓展至视频生成领域。

MDT - MDTv2图像合成模型：更快收敛和卓越性能

GithubMasked Diffusion Transformer人工智能图像合成开源项目深度学习计算机视觉

MDTv2是一种先进的深度学习图像合成模型，在ImageNet数据集上实现了1.58的FID分数，创造新的业界标准。该模型采用掩码潜在建模技术，提高了图像语义理解能力，学习速度比先前模型快10倍以上。MDTv2在图像生成质量和训练效率方面都有显著提升，为计算机视觉和人工智能领域带来了新的可能性。

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