VideoMamba

突破性的视频理解状态空间模型

VideoMamba 视频理解状态空间模型长期视频建模多模态兼容性 Github 开源项目

VideoMamba是一种创新的视频理解模型，克服了现有技术的局限性。它能高效处理长视频和高分辨率内容，展现出可扩展性、短期动作识别敏感性、长期视频理解优势和多模态兼容性四大核心特点。VideoMamba为全面的视频理解任务提供了高效解决方案，推动了该领域的发展。

videomae-large - 视频自监督学习的高效模型

GithubHuggingfaceVideoMAE开源项目模型自监督视频分类视频预训练

VideoMAE大型模型在Kinetics-400数据集上进行自监督预训练，采用掩码自编码器方法，有效学习视频的内在表示。利用视觉Transformer架构，通过将视频划分为固定大小的图像块，结合线性嵌入和位置编码，进行深度分析和像素预测，适用于多种后续任务和特征提取，包括视频分类和处理。

Video-LLaVA-7B - 统一图像和视频处理的多模态AI模型

GithubHuggingfaceVideo-LLaVA多模态模型大语言模型开源项目模型视觉语言处理视频理解

Video-LLaVA是一种新型多模态AI模型，采用对齐后投影方法学习统一视觉表示。该模型能同时处理图像和视频，具备出色的视觉推理能力。即使没有图像-视频配对数据，Video-LLaVA也能实现图像和视频间的有效交互。通过将统一视觉表示与语言特征空间绑定，该模型在多模态学习和各类视觉任务中展现优异性能。

magvit - 单模型实现多种视频合成任务的创新技术

GithubMAGVIT开源项目机器学习深度学习视频生成计算机视觉

MAGVIT是一种创新的视频生成技术，采用掩码生成视频变换器实现单一模型解决多种视频合成任务。该项目在视频生成质量、效率和灵活性方面表现出色，能够执行类别条件生成、帧预测和多任务视频处理。MAGVIT在UCF-101、BAIR Robot Pushing、Kinetics-600等多个基准测试中取得优异成绩，展示了其在视频生成领域的应用前景。

Awesome_Long_Form_Video_Understanding - 长视频理解研究前沿进展与资源综述

Github人工智能开源项目深度学习视频分析计算机视觉长视频理解

这是一个综合性长视频理解研究资源库,涵盖表征学习、高效建模、大语言模型等多个子领域。项目汇总了前沿研究论文、数据集和工具,对各子任务进行了系统梳理。为长视频理解研究者提供了全面的参考资源,有助于推动该领域的发展。

MiniGPT4-video - 提升视频理解的创新多模态语言模型

GithubGoldfishMiniGPT4-Video多模态开源项目视频理解长视频

MiniGPT4-Video项目采用交错视觉-文本标记技术，大幅提升了多模态大语言模型的视频理解能力。该模型在短视频理解方面表现优异，多项基准测试中均优于现有方法。项目还开发了Goldfish框架，专门应对任意长度视频的处理难题，有效解决了长视频理解中的噪声、冗余和计算挑战。这些创新成果为视频分析和理解领域开辟了新的可能性。

LLaVA-NeXT-Video-7B-hf - 先进多模态AI模型实现视频和图像理解

GithubHuggingfaceLLaVA-NeXT-Video人工智能多模态大语言模型开源项目模型视频理解

LLaVA-NeXT-Video-7B-hf是一个开源多模态AI模型，通过视频和图像数据的混合微调，实现了出色的视频理解能力。该模型支持多视觉输入和多提示生成，在VideoMME基准测试中表现优异。基于Vicuna-7B语言模型，可处理视频问答和图像描述等视觉任务。模型支持4位量化和Flash Attention 2优化，提供灵活高效的使用方式。

StreamingT2V - 先进的长视频生成技术实现连贯动态和可扩展内容

GithubStreamingT2V一致性动态视频开源项目文本到视频长视频生成

StreamingT2V是一种创新的自回归技术，专门用于生成长时间、连贯一致的视频内容。该技术无需分段处理即可创建动态丰富的视频，确保了时间上的连贯性，同时保持与文本描述的高度契合和单帧图像的优质表现。目前已实现生成1200帧（约2分钟）的视频，并具有进一步延长的潜力。值得注意的是，StreamingT2V的性能不局限于特定的文本到视频模型，这意味着随着基础模型的进步，视频质量有望进一步提升。

videocomposer - 灵活可控的视频合成与运动模式生成工具

AI生成GithubVideoComposer动作控制开源项目扩散模型视频合成

VideoComposer是一个开源的视频合成模型，能够同时控制生成视频的空间和时间特征。它支持文本、草图、参考视频等多种输入形式，为用户提供灵活的创作方式。项目包含预训练模型和用户界面，便于研究人员和开发者进行视频合成实验。

MMVP - 探索多模态大语言模型的视觉局限

GithubInterleaved-MoFMMVP基准测试多模态LLM开源项目视觉模式视觉能力

MMVP基准测试揭示了多模态大语言模型在视觉理解方面的局限。即使是顶尖模型也难以准确完成基本视觉定位任务。项目开发的Interleaved-MoF模型旨在改善这些问题。MMVP还提供了开放的评估工具和数据集，为多模态AI技术的发展做出了贡献。

mmaction2 - 开源视频理解工具箱MMAction2基于PyTorch实现

GithubMMAction2OpenMMLab开源项目模型库行动识别视频理解

MMAction2为基于PyTorch的开源视频理解工具箱，涵盖动作识别、动作定位、时空动作检测等多种任务。项目特点包括模块化设计、丰富的模型库以及详尽文档，支持灵活的自定义配置。

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