dict-guided

词典指导场景文字识别方法及VinText数据集

场景文字识别 VinText数据集字典引导深度学习计算机视觉 Github 开源项目

dict-guided项目提出了一种词典指导的场景文字识别方法，旨在改进现有模型性能。项目同时发布了越南语场景文字识别数据集VinText。该方法结合传统和创新策略，提高了文字识别准确率。项目开源了代码、预训练模型，并提供了数据集构建、模型架构和实验结果等详细信息，便于研究人员进行深入研究。

HunyuanDiT - 实现多分辨率扩散和细粒度中英文理解

GithubHunyuanDiT中英双语多轮对话开源开源项目文本生成图像

HunyuanDiT是一个多分辨率扩散变换器模型，具有细粒度的中英文理解能力。该模型采用优化的变换器结构、文本编码器和位置编码，通过迭代数据流程提升性能。HunyuanDiT支持多轮多模态对话，可根据上下文生成和优化图像。经专业评估，该模型在中文到图像生成方面达到开源模型的先进水平。

ViT-L-16-SigLIP-384 - 基于SigLIP的先进视觉语言模型实现零样本图像分类

GithubHuggingfaceSigLIP图像分类开源项目模型深度学习自然语言处理计算机视觉

ViT-L-16-SigLIP-384是一个在WebLI数据集上训练的SigLIP模型，专门用于语言-图像预训练。这个模型支持对比式图像-文本学习和零样本图像分类，已从JAX格式转换为PyTorch，可兼容OpenCLIP和timm库。它在视觉-语言处理方面表现出色，能够应用于多种计算机视觉任务，如图像分类和跨模态检索。

VILA1.5-3b - 交错图像文本预训练的视觉语言模型突破

GithubHuggingfaceVILA图像文本预训练多图像推理开源项目模型视觉语言模型边缘部署

VILA1.5-3b是一款基于交错图像-文本数据预训练的视觉语言模型。它具备多图像推理、上下文学习和视觉思维链等能力,可通过AWQ 4位量化部署于边缘设备。该模型采用交错图像-文本预训练、语言模型解冻和指令数据重混合等创新技术,有效提升了视觉语言和纯文本任务性能。VILA1.5-3b支持多种硬件架构,适用于计算机视觉、自然语言处理等研究领域。

vilt-b32-mlm - 探索无卷积技术在ViLT模型中的应用

GithubHuggingfacePyTorchViLT图像处理开源项目模型深度学习语言建模

ViLT模型利用无卷积方法在多个数据集进行预训练，专注于掩码语言建模。由Kim等人发布，适用于图像与文本结合场景。可通过PyTorch代码实现简单安装和试用，支持掩码位置的文本填补，推动自然语言处理和图像识别时跨模态学习的进展。

ViT-B-32__openai - CLIP模型的ONNX导出版本用于图像和文本嵌入生成

CLIPGithubHuggingfaceImmich图像编码器开源项目文本编码器模型自托管照片库

ViT-B-32__openai项目是CLIP模型的ONNX导出版本，将视觉和文本编码器分离为独立模型。这种设计适用于生成图像和文本嵌入，特别针对Immich自托管照片库。该项目可用于处理大量图像和文本数据，有助于改进图像检索和跨模态搜索功能。

CoDet - 共现引导的开放词汇目标检测方法

CoDetGithub图像文本对齐开放词汇开源项目深度学习目标检测

CoDet是一种开放词汇目标检测方法，采用共现引导来对齐区域和词语。该方法利用大规模图像-文本对训练，在LVIS和COCO数据集上表现优异。CoDet兼容现代视觉基础模型，并可与Roboflow集成实现自动图像标注。这一方法为开放词汇目标检测领域提供了新的解决方案。

clip-guided-diffusion - 文本生成图像，多功能扩散模型

AI绘图CLIP Guided DiffusionGithubKatherine Crowsonpyglide图像生成开源项目

CLIP Guided Diffusion项目提供文本生成图像功能，支持多种参数和提示词权重设置。此项目采用高效扩散模型，通过命令行或Python接口操作，支持GPU加速，提供丰富的图像尺寸和调校选项，适合生成高质量多样化的视觉内容。

ViT-B-16-SigLIP-256 - WebLI数据集训练的SigLIP图像-文本对比学习模型

GithubHuggingfaceSigLIPWebLI图像分类图像文本对比开源项目模型模型使用

ViT-B-16-SigLIP-256是基于WebLI数据集训练的SigLIP模型，支持零样本图像分类。该模型兼容OpenCLIP和timm库，通过对比学习生成图像和文本特征表示。它能够计算图像与文本标签的相似度，适用于灵活的图像分类和检索应用。SigLIP采用Sigmoid损失函数进行语言-图像预训练，提高了模型性能。

DFN5B-CLIP-ViT-H-14-378 - 大规模数据筛选优化的视觉语言预训练系统

CLIPGithubHuggingface图像分类开源项目数据过滤网络机器学习模型计算机视觉

DFN5B-CLIP-ViT-H-14-378是一款基于CLIP架构的视觉语言模型，采用数据过滤网络（DFN）技术从43B未筛选的图像-文本对中提取5B高质量数据进行训练。该模型在多项视觉任务中表现优异，平均准确率达70.94%。支持零样本图像分类，可与OpenCLIP框架无缝集成，为计算机视觉和自然语言处理研究提供了高性能的预训练模型基础。

InternVL2-40B - 强化跨模态大语言模型的能力

GithubHuggingfaceInternVL场景文本理解多模态开源项目模型视觉理解计算机视觉

InternVL 2.0 通过融合多模态大语言模型，在文件和图表理解、信息图问答、场景文本理解和OCR任务等方面表现出色。它能够利用长文本、多图片和视频进行训练，提升对多种输入的处理效率，并提供1亿到108亿参数的多种模型可选择，与商业模型相当。在多项基准测试中，InternVL 2.0 展示了其卓越的综合理解能力。

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。

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能，包括文生视频、动态画面和形象生成等，帮助用户快速上手，创造专业级内容。

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。

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台，用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品，帮助用户探索创意灵感。

讯飞文书

讯飞文书依托讯飞星火大模型，为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能，满足事务性工作的高频需求，帮助撰稿人节省精力，提高效率，优化工作与生活。

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。

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