Project Icon

sam2-hiera-small

下一代图像和视频可提示视觉分割技术

SAM 2是FAIR推出的一款模型,专注于实现图像和视频的可提示视觉分割。官方代码库支持图像和视频预测任务,允许利用SAM2ImagePredictor生成图像遮罩,并使用SAM2VideoPredictor实现视频中遮罩的传播和处理。该模型在学术研究和工业应用中具有广泛功能。如需深入了解,可查阅相关论文和资源。

X-Decoder - 像素、图像和语言的统一解码模型
GithubX-Decoder图像分割多任务学习开放词汇分割开源项目计算机视觉
X-Decoder是一个通用解码模型,可生成像素级分割和标记级文本。该模型在多个数据集上实现了开放词汇分割和指代分割的最佳结果,在分割和视觉语言任务上表现出色。X-Decoder支持语义、实例和全景分割,以及图像描述、图像-文本检索等多种任务。此外,它还能进行区域检索、指代描述、图像编辑等零样本任务组合。
SAN - 轻量高效的开放词汇语义分割框架
CLIP模型GithubSide Adapter Network开放词汇语义分割开源项目视觉语言模型语义分割
Side Adapter Network (SAN)是一个开放词汇语义分割框架,将分割任务建模为区域识别问题。它在冻结的CLIP模型旁附加轻量级侧网络,实现高效准确的分割。SAN在多个语义分割基准测试中表现优异,具有更少的可训练参数和更快的推理速度。这一方法为开放词汇语义分割领域提供了新的解决思路。
SeeSR - 基于语义感知的实景图像超分辨率方法
GithubSeeSR图像超分辨率开源项目扩散模型真实世界图像语义感知
SeeSR是一种新型语义感知实景图像超分辨率技术,结合稳定扩散模型和语义信息提升低分辨率图像质量。该方法已被CVPR2024接收并在GitHub开源。SeeSR可处理多种场景图像,并支持快速推理。项目提供预训练模型、测试数据集和使用说明,便于研究和应用。此外,项目还包含DAPE和SeeSR模型的训练指南,以及用于生成训练数据的工具。SeeSR采用tiled vae方法节省GPU内存,并提供Gradio演示界面。该技术在多个真实世界图像数据集上展现出优异性能。
VisionLLM - 面向视觉任务的开放式多模态大语言模型
GithubVisionLLM人工智能多模态大语言模型开源项目视觉语言任务计算机视觉
VisionLLM 系列是一种多模态大语言模型,专注于视觉相关任务。该模型利用大语言模型作为开放式解码器,支持数百种视觉语言任务,包括视觉理解、感知和生成。VisionLLM v2 进一步提升了模型的通用性,扩展了其在多模态应用场景中的能力,推动了计算机视觉与自然语言处理的融合。
Florence-2-large-ft - 统一表示实现多种视觉任务的AI基础模型
Florence-2GithubHuggingface图像识别多任务学习开源项目模型自然语言处理计算机视觉
Florence-2是一款视觉基础模型,采用提示式方法处理多种视觉和视觉语言任务。该模型基于包含54亿标注的FLD-5B数据集进行多任务学习,可通过简单文本提示执行图像描述、目标检测和分割等任务。Florence-2采用序列到序列架构,在零样本和微调场景中表现优异,展现了较强的竞争力。
XMem - 长时视频对象分割的解决方案,基于人类多尺度记忆模型
Atkinson-Shiffrin记忆模型ECCVGPU内存优化GithubXMem开源项目视频对象分割
XMem项目采用Atkinson-Shiffrin记忆模型,提供了一种全新的视频对象分割(VOS)方法。通过结合不同时间尺度的记忆单元,有效避免在处理长时视频时出现的计算和GPU内存问题。XMem可处理超过10000帧的视频,在有限GPU资源下仍保持高效,处理速度达每秒20帧,并附带简化版GUI。项目中还提供了详细的训练和推理指南,适用于实验和实际应用。
Video-P2P - 跨注意力控制实现高质量视频内容转换技术
CVPR 2024GithubVideo-P2P人工智能开源项目视频编辑跨注意力控制
Video-P2P是一个发表于CVPR 2024的视频编辑项目,通过跨注意力控制机制实现视频内容的高质量转换。该项目提供快速和稳定两种运行模式,支持物体替换、风格转换等多种编辑场景。项目团队公开了相关数据集和在线演示,为研究人员和开发者提供了实用资源,促进了视频编辑技术的进步。
U-2-Net - 深度嵌套U结构助力显著对象精准检测
GithubU2-Net人像分割图像背景移除开源项目模型训练视觉应用
U-2-Net,一项荣获2020年模式识别最佳论文奖的创新技术,通过其深度嵌套U结构显著提升对象检测精准度。此技术广泛适用于图像处理、视频分析、背景移除及人像生成等领域,并提供丰富的开发资源助力应用的快速迭代。
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。
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