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。

vit-gpt2-image-captioning - ViT-GPT2结合的智能图像描述生成模型

GithubHuggingfacetransformers图像描述开源项目模型深度学习自然语言处理计算机视觉

vit-gpt2-image-captioning是一个结合视觉Transformer和GPT-2的图像描述生成模型。该模型能准确识别图像内容并生成对应文本描述，支持多种图像输入方式，易于集成应用。项目提供简单使用示例和Transformers pipeline部署方法，为开发者提供了实用的开源图像描述解决方案。

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。

GPTEval3D - 基于GPT-4V的文本到3D生成模型评估框架

GPTEval3D是一个实现了《GPT-4V(ision) is a Human-Aligned Evaluator for Text-to-3D Generation》论文评估指标的开源项目。该框架提供了完整的文本到3D生成模型评估流程，包括数据准备、模型评估和比赛评分。研究者可以利用GPTEval3D评估自己的模型或组织3D生成模型比赛。项目还包含110个精选图像提示和详细的使用说明，方便研究人员快速上手。

deit-base-patch16-224 - DeiT高效视觉Transformer 创新图像分类模型

DeiTGithubHuggingfaceImageNetVision Transformer图像分类开源项目模型深度学习

DeiT是一种高效训练的视觉Transformer模型,在ImageNet-1k数据集上预训练和微调。采用创新的数据高效方法,以较少计算资源实现出色图像分类性能。支持224x224分辨率输入,Top-1准确率达81.8%。可直接用于图像分类或作为下游视觉任务的特征提取器。该模型在保持ViT架构优势的同时,显著提高了训练效率和分类精度。

detr-resnet-50 - DETR 基于Transformer的创新目标检测模型

COCO数据集DETRGithubHuggingfaceResNet-50Transformer开源项目模型目标检测

DETR-ResNet-50是一种创新的目标检测模型，融合Transformer架构与ResNet-50骨干网络。该模型采用端到端训练方法，简化了传统目标检测流程。经COCO 2017数据集训练后，DETR能高效检测和定位图像中的多个物体，在目标检测任务中实现42.0的平均精度（AP）。其简洁设计和卓越性能为计算机视觉领域带来新的可能。

vit_base_patch16_384.augreg_in21k_ft_in1k - Vision Transformer用于图像分类和特征提取的先进模型

GithubHuggingfaceImageNetVision Transformertimm图像分类开源项目模型深度学习

此Vision Transformer模型专注于图像分类和特征提取任务。经ImageNet-21k预训练和ImageNet-1k微调，采用先进的数据增强和正则化方法。支持384x384像素输入，拥有8690万参数。不仅可进行图像分类，还能生成图像嵌入。源自Google Research，经Ross Wightman移植到PyTorch，现已成为timm库的重要组成部分。

dinov2-small-imagenet1k-1-layer - 视觉特征学习的Transformer模型

DINOv2GithubHuggingfaceVision Transformer图像分类开源项目模型特征提取自监督学习

DINOv2方法无监督预训练的Vision Transformer，适用于影像特征学习增强场景。此小尺寸模型能在ImageNet-1k数据集上执行分类任务，通过提取特征来辅助下游任务。尽管模型未包含微调头，但可附加线性层进行标准分类，适合高精度视觉特征需求的应用。

vit_base_patch32_clip_384.openai_ft_in12k_in1k - 采用ViT技术的视觉Transformer模型

Fine-tuningGithubHuggingfaceVision Transformertimm图像分类开源项目模型预训练

这款视觉Transformer图像分类模型由OpenAI基于WIT-400M数据集使用CLIP技术预训练，并经过ImageNet-12k和ImageNet-1k数据集微调。作为一种强大的图像分类和嵌入模型，其参数量达88.3M，计算量为12.7 GMACs，设计用于384x384图像。支持通过`timm`库接口调用，满足多种视觉任务需求，在图像识别和分析领域表现出稳定性能。

vit_small_patch16_384.augreg_in21k_ft_in1k - 增强的视觉转换器模型及其在图像分类中的应用

GithubHuggingfaceImageNetPyTorchVision Transformer图像分类开源项目数据增强模型

ViT图像分类模型结合增强与正则化技术，基于ImageNet-21k训练后在ImageNet-1k微调。模型通过JAX进行训练并移植至PyTorch，拥有22.2M参数和384x384图像输入，展示了12.4 GMACs的高效性。适用于图像分类与特征提取，在视觉识别和嵌入生成中表现出色。

vitmatte-small-distinctions-646 - 基于ViTMatte模型的高效图像抠图技术

GithubHuggingfaceViTMatteVision Transformer图像抠图开源项目模型轻量化预训练

ViTMatte模型利用Distinctions-646数据集进行训练，通过与Vision Transformer的结合，实现图像前景的精确分离。此模型简化了传统图像抠图的复杂性，适用于多种应用。可在Hugging Face平台找到该模型的不同版本，以适应各种图像分离需求。

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