#计算机视觉

MAR是一个开源项目，专注于自回归图像生成。它独创性地避免使用向量量化，在ImageNet 256x256数据集上实现了1.55的FID-50K分数。项目提供完整的PyTorch实现、预训练模型、在线演示和实验脚本。MAR通过创新设计，在不牺牲生成质量的前提下，显著提升了模型效率。

Awesome-Image-Composition汇集了图像合成领域的核心资源，包括论文、数据集和相关链接。涵盖图像融合、调和、阴影生成和对象放置等多个子领域，该项目为研究人员和开发者提供了全面的参考资料。此外，项目还包含在线演示和实用工具箱，方便用户实践和探索图像合成技术。收录了超过100篇高质量论文和20多个开源工具，是图像合成研究和应用的首选资源库。

Shape of Motion项目展示了一种新型4D重建方法，可从单个视频重建动态3D场景。该项目结合深度学习和计算机视觉技术，实现运动物体的精确重建。项目包含完整工作流程，涵盖预处理、模型训练和性能评估。研究团队公开了源代码和数据集，为计算机视觉领域提供了有价值的研究资源。这一技术可能在计算机图形学、增强现实等方面带来应用突破。

FollowYourClick是一个开放域图像区域动画生成项目，通过简短文本提示控制图像特定区域的动画效果。支持表情变化、物体运动等多种动画类型，为图像动画创作提供灵活直观的体验。该项目展示了AI技术在图像处理领域的先进应用，可用于创意内容制作和视觉效果生成。

GPS-Gaussian提出了一种通用像素级3D高斯表示方法，可实时合成未见过人物的新视角。无需微调或优化即可生成高质量图像，具有出色的泛化性能。项目包含安装指南、数据准备、训练和测试流程，支持合成和真实数据集评估。该方法在人体新视角合成任务中展现实时渲染能力。

ProPainter是一个开源的视频修复项目,通过改进传播和变换器技术提高修复质量。它支持对象移除和视频补全,可处理高分辨率视频,并提供内存高效的推理。该项目开放了源代码和预训练模型,还提供在线演示。ProPainter在视频修复领域取得了显著进展,为相关研究和应用提供了有力支持。

T-Rex2是一款融合文本和视觉提示的通用目标检测模型。它突破传统模型局限，具备零样本检测能力，适用于农业、工业和生物医学等领域。该模型支持交互式视觉提示、通用视觉提示和文本提示三种工作流程，满足多样化的目标检测需求。项目提供在线演示和API接口，便于快速体验和集成。

DSINE项目开发了创新的表面法线估计算法，通过分析像素光线方向和相邻法线关系，实现了对复杂真实图像的精确预测。该方法在小规模数据集训练条件下，展现出优于ViT模型的泛化能力。DSINE可适应多种分辨率和纵横比的图像，为计算机视觉领域提供了高精度的表面法线估计解决方案。

AIGS项目系统研究了AI生成图像(AIGC)作为数据源的最新发展。通过对方法和应用的分类,该项目全面概述了AIGC在视觉领域的进展,包括生成模型、神经渲染等技术,以及在2D/3D视觉感知、图像生成和自监督学习等方面的应用。此外,项目整理了相关数据集,为AIGC研究提供了丰富资源。

splatter-image是一个3D重建开源项目，能从单一图像快速生成物体的3D模型。它兼容Objaverse、ShapeNet和CO3D等多个数据集，并提供在线演示。项目使用高斯点云渲染技术，在多类别ShapeNet数据集上表现出色。安装过程简单，支持多GPU训练，无需预处理相机姿态数据。

DreamScene4D是一种从单目视频生成动态多目标3D场景的开源技术。它采用3D高斯和形变优化方法，能处理不同长度的视频和多个目标。项目提供自动化和分阶段优化脚本，支持处理有遮挡和无遮挡的视频。DreamScene4D在复杂场景和长视频序列处理方面表现优异，为计算机视觉和图形学研究提供了新思路。

EfficientSAM是一个基于掩码图像预训练的通用图像分割模型，支持点提示、框提示、全景分割和显著性检测等功能。该模型在保持高精度的同时显著提高了处理速度，已集成到多个开源工具中。项目提供在线演示和Jupyter notebook示例，便于研究人员和开发者快速上手和应用。

K-Planes是一个创新的显式辐射场模型，可扩展到任意维度场景，适用于静态、动态和可变外观的数据集。该项目在空间、时间和外观上进行了明确建模，推动了神经辐射场研究的发展。K-Planes提供完整的代码实现、预训练模型，并与NerfAcc和NerfStudio集成，便于研究人员进行开发和应用。在多个基准数据集上，K-Planes展现了良好的性能，为3D场景重建和渲染领域提供了新的思路。

U-KAN是一个将Kolmogorov-Arnold网络(KAN)层整合到U-Net结构中的医学图像处理框架。这种创新设计在提高图像分割和生成任务准确性的同时，降低了计算成本。U-KAN在多个医学图像数据集的分割任务中表现出色，并在图像生成领域展现潜力。这项研究为医学图像处理技术的进步提供了新思路，有望推动更精准、高效的诊断和分析工具的发展。

APISR是一个开源的动漫超分辨率项目，专注于恢复和增强现实世界中低质量的动漫图像和视频。该技术融合了动漫制作流程的特点，能有效处理各种复杂的图像退化情况。项目提供预训练模型、在线演示和训练流程，支持单张图像和视频的超分辨率处理。APISR在真实动漫内容质量提升方面表现出色，为研究者和开发者提供了实用的工具。

Depth Anything是一款基于大规模数据训练的单目深度估计模型。它利用150万标注图像和6200万无标注图像进行训练,提供小型、中型和大型三种预训练模型。该模型不仅支持相对深度和度量深度估计,还可用于ControlNet深度控制、场景理解和视频深度可视化等任务。在多个基准数据集上,Depth Anything的性能超越了此前最佳的MiDaS模型,展现出优异的鲁棒性和准确性。

Pi-C.A.R.D是一个完全运行在树莓派上的离线AI智能助手项目。它集成了标准大语言模型的对话能力，同时支持拍照、图像描述和分析功能。该系统通过唤醒词或按钮触发对话，具有可配置的对话记忆功能。Pi-C.A.R.D采用C++实现音频转录和视觉语言模型，确保高效运行，同时保护用户隐私。

VanillaNet是一种创新的神经网络架构，专注于简洁性和效率。它摒弃了复杂的快捷连接和注意力机制，仅使用较少的层数就能保持出色的性能。该项目展示了精简架构也能实现有效结果，为计算机视觉领域开辟了新路径，挑战了基础模型的现状。与主流模型相比，VanillaNet在保持相当性能的同时，具有更少的层数和更快的推理速度。

LERF是一个创新的3D场景理解项目，结合了语言嵌入技术和辐射场。它能实现3D场景的语义理解和文本交互，生成高质量相关性图，支持复杂文本查询。LERF提供灵活的可视化选项，与Nerfstudio集成，并有多个版本适应不同硬件。该项目支持自定义图像编码器扩展，为计算机视觉和自然语言处理的交叉领域提供新的研究方向。

VISSL是一个计算机视觉库，专注于自监督学习研究。它实现了最新的自监督方法，提供全面的基准测试，采用简便的配置系统和模块化设计，并支持大规模训练。VISSL致力于加快自监督任务的设计和评估过程，为研究人员提供实用且灵活的工具。

Total-Recon是一种可变形场景重建系统,能从RGBD传感器拍摄的长视频中重建场景几何、外观和物体运动。该系统支持从新视角渲染场景,包括第一人称和第三人称跟随视角,并提供3D视频滤镜功能。这项技术为沉浸式视角合成和增强现实应用提供了基础支持。

SIFU是一项创新的3D人体重建技术，能够从单一图像生成高质量的3D clothed human模型。该技术采用Side-view Conditioned Implicit Function提升特征提取和几何精度，并通过3D Consistent Texture Refinement改善纹理质量。SIFU在处理复杂姿势和宽松服装方面表现突出，适用于3D打印和场景创建等实际应用。作为CVPR 2024的亮点论文，SIFU为真实世界的人体重建任务提供了有效解决方案。

这个项目汇集了全球范围内从事底层视觉研究的领先团队信息，涵盖了北美、欧洲和亚洲等多个国家的著名研究机构和学者。项目为底层视觉领域的研究人员提供了一个综合性资源，有助于了解该领域的前沿动态并发掘潜在的合作机会。内容包括各研究团队的主要负责人和所属机构信息，重点关注引用量达5000以上的高影响力团队。此外，项目还提供了相关的CVPR、ECCV和ICCV等顶级会议论文整理资源链接，为研究者提供了全面的学术参考。

FoundationPose是一个统一的6D物体姿态估计和跟踪框架，支持基于模型和无模型两种方式。该框架无需微调即可应用于新物体，通过大规模合成训练、大型语言模型辅助和创新架构实现强大泛化能力。在多个公共数据集的评估中，FoundationPose在challenging场景下显著优于现有方法，即使减少假设也能达到与实例级方法相当的效果。

GRES项目提出了一种新颖的泛化引用表达分割方法，在CVPR 2023会议上被评为亮点论文。该项目采用Swin Transformer骨干网络，在gIoU指标上达到63.60%的性能。GRES项目不仅发布了新数据集，还开源了代码实现，支持ResNet-50和Swin-Tiny等多种骨干网络，为研究人员提供了多样化选择。项目的GitHub仓库提供了详细的安装说明、推理和训练代码，以及预训练模型。

本资源库汇集了ECCV2024和2020年底层视觉领域的论文及代码。涵盖超分辨率、图像去雨、去雾、去模糊、去噪、恢复和增强等多个研究方向。项目提供了便捷的平台，使研究人员和开发者能够快速获取最新成果。此外，仓库还链接了CVPR、ICCV等相关会议论文集，以及底层视觉和AIGC研究组的整理资料。

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。

flickr_scraper是一款针对YOLO训练数据集收集开发的Python工具。该工具通过Flickr API实现关键词搜索和批量下载功能，可快速获取并保存相关图片。它简化了计算机视觉任务的数据准备流程，使用者只需配置API密钥即可开始使用。这个开源项目为研究者和开发者提供了便捷的图像数据采集方式。

OnePose++是一种目标姿态估计方法，无需CAD模型和预定义关键点。该方法通过结构光重建和深度学习，实现单次拍摄即可估计物体姿态。项目提供训练、推理和演示代码，支持OnePose和OnePose_LowTexture数据集，可扩展至LINEMOD数据集。OnePose++在计算机视觉和机器人领域有潜在应用价值。

该项目汇总了文本到3D和图像到3D的前沿生成技术。内容涵盖基于2D先验模型学习3D的方法，以及直接在3D数据上训练的生成模型。资源列表包含DreamFusion、Magic3D、Shap·E等创新方法，展现了从文本或单一图像生成高质量3D内容的最新进展。这为研究人员和开发者提供了探索和应用3D生成技术的重要参考。

GLOMAP是一个基于图像的通用全局结构运动重建管线，与COLMAP相比，它提供了更高效和可扩展的重建过程。GLOMAP以COLMAP数据库为输入，输出COLMAP稀疏重建结果，重建速度通常快1-2个数量级，同时保持或超越原有重建质量。该项目支持从数据库或图像开始的端到端重建，并提供重建结果优化指南。

Infinigen是一个基于Blender开发的开源项目，通过程序化生成技术创建多样化的逼真3D世界。它可生成户外自然场景和室内环境，输出高质量图像、深度图和法线图等多模态数据。该项目主要用于计算机视觉和机器学习领域的数据生成与研究。Infinigen提供详细文档和贡献指南，鼓励研究人员和开发者参与项目。

opencv_zoo是一个针对OpenCV DNN优化的深度学习模型库，涵盖人脸检测、目标跟踪、图像分割等多种计算机视觉任务。该项目提供各类预训练模型，并包含多平台性能基准测试结果，便于开发者选择合适模型。此外，项目还提供详细的安装指南和使用示例，有助于快速集成和应用。

C2PNet是一种基于课程对比正则化的单图像去雾方法。该方法结合物理原理和深度学习技术，在SOTS室内和室外数据集上实现了领先性能。C2PNet的核心架构融合了课程学习和对比正则化策略，旨在提升去雾质量和模型泛化能力。项目开源了完整的训练和评估代码，便于研究者在不同数据集上进行实验和改进。

opencv_contrib 是 OpenCV 库的扩展模块仓库，包含多个实验性计算机视觉功能。它允许开发者贡献和测试新算法，同时保持 OpenCV 主库的稳定性。仓库涵盖目标检测、3D重建和机器学习等高级技术。用户可通过 CMake 将这些模块集成到 OpenCV 构建过程中，从而增强库的功能。

fastai是一个深度学习库，提供高层组件以快速实现高性能结果，同时为研究人员提供可组合的低层组件。通过分层架构和Python、PyTorch的灵活性，fastai在不牺牲易用性、灵活性和性能的情况下，实现了高效的深度学习。支持多种安装方式，包括Google Colab和conda，适用于Windows和Linux。学习资源丰富，包括书籍、免费课程和详细文档。