Project Icon

metaformer

一系列视觉基线模型

MetaFormer项目推出多款视觉基线模型,包括IdentityFormer、RandFormer、ConvFormer和CAFormer。这些模型在ImageNet-1K数据集上表现出色,根据不同的token mixer架构,如身份映射、全局随机混合、可分离深度卷积和自注意机制,在224x224分辨率下的Top-1准确率均超过80%。特别是CAFormer,在无外部数据或蒸馏的条件下,达到85.5%的准确率记录。这些模型已集成到timm库中,方便应用和扩展。

BlendFace - 创新人脸交换技术,身份编码器重新设计
BlendFaceGithub人脸交换人脸识别开源项目深度学习身份编码器
BlendFace是一个开源的人脸交换项目,专注于改进身份编码器以提升交换效果。该项目通过创新方法解决了传统模型在人脸交换中的偏差问题,同时保持了对负样本的识别能力。BlendFace提供预训练模型和示例代码,便于研究人员进行复现和扩展研究。项目成果已在ICCV 2023会议上发表,为人脸交换技术带来新的突破。
OmniTokenizer - 联合图像视频标记器实现高效视觉生成
GithubOmniTokenizerVQVAE图像视频联合标记器开源项目视觉生成语言模型
OmniTokenizer是一个图像和视频联合标记器,采用单一模型和权重,提供最先进的重建性能。它具有高分辨率和长视频适应性,可与语言模型和扩散模型结合实现视觉生成。项目提供预训练模型、训练脚本和评估工具,支持VQVAE和VAE版本,为视觉生成研究提供基础设施。
Awesome-MIM - 掩码图像建模在自监督表示学习中的应用与发展
GithubMasked Image ModelingTransformer开源项目深度学习自监督学习计算机视觉
该项目汇总了掩码图像建模(MIM)及相关的自监督学习方法。涵盖了从2008年以来的主要自监督学习研究,并展示了其在自然语言处理和计算机视觉领域的发展历程和关键节点。所有内容按时间顺序排列并定期更新,包括相关论文、代码和框架的详细信息,旨在帮助研究者深入理解和应用MIM方法。欢迎贡献相关文献或修正建议。
facechain - AI驱动的快速个性化肖像生成框架
AI绘图FaceChainGithub人像生成开源项目模型训练身份保持
FaceChain FACT是一款创新的AI肖像生成框架,仅需一张照片即可在10秒内生成保持身份特征的个性化肖像。该框架支持文本到图像和修复式生成,并与ControlNet和LoRA兼容。通过解耦训练技术,FaceChain FACT提升了图像质量、文本遵循能力和风格保持能力,实现了高度可控和真实的肖像生成。
meta-dataset - 多样化小样本学习基准与算法实现
CrossTransformersFLUTEGithubMeta-DatasetNeurIPS 2021TFDS API开源项目
本项目介绍了基于TensorFlow Datasets的Meta-Dataset输入管道,兼容原始协议(MD-v1)和更新的VTAB+MD协议(MD-v2),并提供相关研究的代码和检查点,详细说明数据管道、模型及实验设置。大量实验揭示了一些重要的研究挑战,并提出了新的基准方法来量化Meta-Dataset中的元学习优势,希望能激励更多相关研究方向的工作。
CogVLM2 - 基于Llama3-8B的GPT4V级开源多模态模型
CogVLM2CogVLM2-VideoGithubMeta-Llama-3-8B-Instruct图像理解开源项目视频理解
CogVLM2是基于Meta-Llama-3-8B-Instruct的下一代模型系列,在多项基准测试中表现优异,支持中英文内容和高分辨率图像处理。该系列模型适用于图像理解、多轮对话和视频理解,特别适合需要处理长文本和高分辨率图像的场景。CogVLM2系列还支持8K内容长度,并在TextVQA和DocVQA等任务中显著提升表现。体验更先进的CogVLM2和CogVLM2-Video模型,迎接未来视觉智能挑战。
multi_token - 将多模态嵌入到大语言模型的开源框架
Githubmulti_token图像识别多模态嵌入大语言模型开源项目语音识别
multi_token是一个开源项目,旨在扩展大语言模型的多模态处理能力。该框架支持将图像、音频、文档和视频等多种模态编码为统一格式,并嵌入到单个模型中。它提供了简便的实现方法,使开发者能够轻松构建支持长文档、图像、音频和视频等多模态输入的语言模型。
generative-models - SV4D与SV3D一类的创新模型
GithubSDXL-TurboSV3DSV4D开源项目热门稳定AI视频合成
Generative Models项目展示了多个创新模型如SV4D与SV3D,专注于视频到4D扩散建模和图像到视频的多视角合成,旨在提供高分辨率和时间连贯性的研究工具。最新技术报告和视频概览现已发布,支持通过简单的脚本和快速入门指南直接体验模型效果,适用于研究及教育用途。
refiners - 优化基础模型适配器的训练和部署工作流
AI模型GithubRefiners基础模型开源项目深度学习适配器
Refiners是一个开源项目,致力于优化基础模型适配器的训练和部署流程。该项目集成了多项前沿技术,包括IC-Light图像照明调控、Multi Upscaler高分辨率图像生成和HQ-SAM高质量掩码预测等。Refiners还支持SDXL-Lightning和潜在一致性模型等创新功能,为开发者提供了多样化的工具和灵活的适配方案,促进AI模型的快速迭代和实际应用。
convnextv2_large.fcmae - 用于图像特征提取的自监督卷积模型
ConvNeXt-V2GithubHuggingfaceImageNet-1k图像分类开源项目模型特征提取自监督学习
ConvNeXt-V2是一种运用全卷积掩码自动编码器框架进行预训练的自监督特征表示模型,适用于微调和特征提取。模型适用于图像分类、特征图提取和图像嵌入,具备较高的参数和计算效率,可在ImageNet-1k等大规模数据集上展现出色表现。通过timm库加载,模型提供了处理多种图像任务的灵活性与精确度,是计算机视觉领域的重要工具。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号