DUSt3R_ViTLarge_BaseDecoder_512_dpt

ViT架构的多分辨率3D几何视觉模型用于深度估计

计算机视觉 Github 开源项目三维视觉 DUSt3R 模型 Huggingface 深度学习图像处理

该模型使用ViT-Large编码器和ViT-Base解码器构建，采用DPT结构设计。支持处理512x384至512x160等多种分辨率图像，为3D几何视觉提供简化实现方案。开发者可通过PyTorch快速部署使用，模型由NAVER开源并遵循CC BY-NC-SA 4.0许可协议。

DiT-3D - 基于纯扩散变换器的3D形状生成新方法

3D形状生成DiT-3DGithubShapeNet开源项目扩散变换器点云

DiT-3D是一个基于纯扩散变换器的3D形状生成项目。该方法直接对体素化点云进行去噪处理，支持多种配置，如不同的体素大小、补丁维度和模型复杂度。在椅子类别的生成任务中，DiT-3D在1-NNA-CD、1-NNA-EMD、COV-CD和COV-EMD等指标上表现良好。这一方法为3D形状生成领域提供了新的研究方向。

wd-vit-tagger-v3 - 图像评分与标签处理的高效解决方案

DanbooruGithubHuggingfaceWD ViT Tagger开源项目标签模型训练

WD ViT Tagger v3是一个针对 Danbooru 图像数据集的开源项目，支持图像评分、角色和标签的处理。v2.0版本通过类不平衡损失缩放技术改进了模型精度；v1.1 修订 JAX 模型配置，增加图像尺寸定义；v1.0 增加训练图像和更新标签，兼容 timm 和 ONNX，对批处理大小没有固定要求，并使用 Macro-F1 衡量模型性能。

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。

vit - 在Habana Gaudi HPU上高效运行ViT模型的配置指南

Gaudi处理器GithubHugging FaceHuggingfaceOptimum Habana图像分类开源项目模型混合精度

了解如何使用Habana Gaudi HPU进行ViT模型高效训练和部署，提供如自定义AdamW和融合梯度剪裁等特定训练参数。支持bf16混合精度训练以提升性能和精度。探索Habana HPU在增强Transformer和Diffuser模型方面的应用。

dino-vits8 - 采用DINO训练的自监督Vision Transformer模型

DINOGithubHuggingfaceVision Transformer图像分类开源项目模型自监督学习预训练

小型Vision Transformer模型使用DINO自监督方法训练，专为ImageNet-1k数据集预训练。模型通过8x8像素的固定大小图像块输入，用于图像表征，无需微调便可用于图像分类任务。ViT模型适合下游任务的特征提取，并可通过线性层进行分类。用户可在Hugging Face上找到适合特定任务的微调版本。

vit-large-patch16-224-in21k - 基于ImageNet-21k预训练的大型Vision Transformer模型

GithubHuggingfaceImageNet-21kVision Transformer图像识别开源项目模型计算机视觉预训练模型

该模型是在ImageNet-21k数据集(1400万图像,21843类别)上预训练的大型Vision Transformer (ViT)。它采用Transformer架构,将224x224分辨率的图像分割成16x16的patch序列进行处理。模型可提取强大的图像特征,适用于分类等多种下游视觉任务。用户可直接用于图像嵌入或在特定任务上微调。

PETR - 多视角3D感知框架目标检测与BEV分割的统一解决方案

3D目标检测GithubPETRv2nuScenes数据集位置嵌入多视图感知开源项目

PETR是一个多视角3D感知框架,通过位置嵌入变换将3D坐标信息编码到图像特征中。其升级版PETRv2引入时序建模,支持目标检测和BEV分割。该框架在nuScenes数据集上展现了出色性能,为3D感知研究提供了有力基线。此外,PETR还支持3D车道线检测,相关工作在CVPR 2023工作坊中获得第一名。

MIMDet - 掩码图像建模应用于目标检测的开源项目

GithubMIMDet卷积神经网络实例分割开源项目物体检测视觉变换器

MIMDet是一个利用掩码图像建模技术的开源项目，能够提升预训练的Vanilla Vision Transformer在目标检测中的表现。此框架采用混合架构，用随机初始化的卷积体系取代预训练的大核Patchify体系，实现多尺度表示无需上采样。在COCO数据集上的表现亮眼，使用ViT-Base和Mask R-CNN模型时，分别达到51.7的框AP和46.2的掩码AP；使用ViT-L模型时，成绩分别是54.3的框AP和48.2的掩码AP。

rtdetr_r50vd - 全新RT-DETR模型提升精度与速度的实时物体检测方案

GithubHuggingfaceRT-DETRYOLO变压器实时应用开源项目模型目标检测

RT-DETR是面向实时物体检测的创新模型，通过混合编码器和最小化不确定性查询选择，实现高精度和快速检测。模型在COCO和Objects365数据集训练，支持速度调整以适应多种场景。RT-DETR-R50/R101在COCO上分别取得53.1%和54.3%的平均精度，在T4 GPU上达到108和74 FPS，性能超过YOLO模型。

Real3D - 基于真实图像的大规模3D重建模型

3D重建GithubReal3D开源项目深度学习自监督学习计算机视觉

Real3D是一种创新的大规模3D重建模型系统，首次实现了使用单视图真实图像进行训练。该系统采用自训练框架，结合3D/多视图合成数据和单视图真实图像，并引入两种无监督损失函数，实现像素和语义层面的模型监督。在包含真实和合成数据、域内和域外形状的四种评估场景中，Real3D均显著优于现有方法。

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