vit-mae-base

MAE预训练Vision Transformer模型的图像处理能力

模型 Github 预训练模型开源项目 Huggingface 图像分类 Vision Transformer 计算机视觉深度学习

Vision Transformer (ViT)模型采用MAE方法预训练，通过随机遮蔽75%图像块实现自监督学习。该模型能有效捕捉图像内在表示，适用于图像分类等多种计算机视觉任务。研究人员可利用其预训练编码器提取特征或进行微调，以满足特定应用需求。

vit_small_patch14_dinov2.lvd142m - 基于Vision Transformer的自监督图像特征提取模型

DINOv2GithubHuggingfaceVision Transformertimm图像分类开源项目模型特征提取

这是一个基于Vision Transformer架构的图像特征提取模型。该模型采用DINOv2自监督学习方法，在LVD-142M数据集上预训练，拥有2210万参数，支持处理518x518尺寸的图像。模型可应用于图像分类和特征提取任务，并提供了相关的使用示例代码。作为一个无监督学习的视觉模型，它能够提取稳健的图像特征表示。

VisionLLaMA - 基于LLaMA的统一视觉模型，为图像生成和理解设立新基准

GithubVisionLLaMA图像理解图像生成开源项目计算机视觉预训练模型

VisionLLaMA是一个基于LLaMA架构的统一视觉Transformer模型，专为处理2D图像而设计。该模型提供平面和金字塔两种形式，适用于广泛的视觉任务，包括图像感知和生成。通过各种预训练范式的广泛评估，VisionLLaMA在多项图像生成和理解任务中展现出卓越性能，超越了现有最先进的视觉Transformer模型，为计算机视觉领域提供了新的基准。

Vision-RWKV - 基于RWKV架构的高效视觉感知模型

GithubVision-RWKV图像处理开源项目深度学习神经网络计算机视觉

Vision-RWKV是一种基于RWKV架构的视觉感知模型。该模型可高效处理高分辨率图像，具有全局感受野，并通过大规模数据集预训练实现良好扩展性。在图像分类任务中，Vision-RWKV性能超越ViT模型；在密集预测任务中，它以更低计算量和更快速度胜过基于窗口的ViT，并与全局注意力ViT相当。Vision-RWKV展现出成为多种视觉任务中ViT替代方案的潜力。

mae_st - 掩码自编码器在时空学习和视频重建中的应用

GithubMasked AutoencodersPyTorch实现开源项目时空学习视频处理预训练模型

mae_st项目是一个基于PyTorch实现的掩码自编码器时空学习框架。该项目提供预训练模型、微调和测试代码，支持在Kinetics数据集上进行训练和评估。项目特色包括交互式可视化演示，展示不同掩码率下的MAE输出效果。研究人员可借助此工具开展视频理解和重建相关研究，深入探索时空学习领域。

Open-MAGVIT2 - 自回归视觉生成新突破大幅提升图像分词性能

GithubOpen-MAGVIT2图像分词器大规模词表开源项目自回归模型视觉生成

Open-MAGVIT2是一个创新的自回归视觉生成项目，采用无查找技术和262144大小的码本，克服了VQGAN的局限性。该项目用PyTorch重新实现MAGVIT2分词器，在图像分词方面取得显著进展，8倍下采样时rFID达到0.39。项目致力于推动自回归视觉生成领域发展，目前处于积极开发阶段，未来计划拓展至视频生成领域。

hiera - 简洁高效的分层视觉Transformer模型

GithubHieraMAE预训练图像识别开源项目视觉Transformer视频识别

Hiera是一种分层视觉Transformer模型,在图像和视频任务中表现出色,同时保持高效推理。该模型简化了现有Transformer的复杂模块,并通过MAE预训练学习空间偏置,实现了简洁高效的架构。项目提供了模型库、推理示例和基准测试脚本,支持通过PyTorch Hub和Hugging Face Hub使用预训练模型。

muse-maskgit-pytorch - 基于掩码生成变压器的PyTorch文本到图像生成框架

AI绘图GithubMaskGitMusePyTorch图像生成开源项目

muse-maskgit-pytorch是一个实现Muse: Text-to-Image Generation via Masked Generative Transformers的开源项目。该框架集成了VQGanVAE和MaskGit模型，支持基础图像生成和超分辨率处理。项目提供了完整的训练和生成流程，包括VAE训练、基础MaskGit和超分辨率MaskGit的使用方法，为研究人员提供了探索文本到图像生成技术的工具。

RepViT - 移动设备上的高效实时视觉模型

GithubRepViT-SAMSAM模型实时分割开源项目移动设备轻量级CNN

RepViT是一个轻量级CNN模型家族,整合了Vision Transformer的架构设计,在移动设备上实现了80%以上的ImageNet准确率,延迟仅1毫秒。RepViT-SAM将RepViT应用于SAM模型,显著降低了计算需求,实现了移动设备上的实时任意目标分割。这两个模型在图像分类、目标检测和语义分割等视觉任务中均表现出色,兼具高性能和高效率。

Vim - 基于双向状态空间模型的高效视觉表示学习

GithubVision Mamba图像分类开源项目深度学习状态空间模型视觉表示学习

Vision Mamba是一种基于双向Mamba块的新型视觉主干网络。该模型通过位置嵌入和双向状态空间模型处理图像序列，在ImageNet分类、COCO目标检测和ADE20k语义分割等任务上表现优异。与DeiT等视觉Transformer相比，Vision Mamba不仅性能更高，还大幅提升了计算和内存效率。其在高分辨率图像特征提取方面的出色表现，使其有潜力成为新一代视觉基础模型的核心架构。

LITv2 - 基于HiLo注意力的快速视觉Transformer

GithubHiLo注意力LITv2图像分类开源项目目标检测视觉Transformer

LITv2是一种基于HiLo注意力机制的高效视觉Transformer模型。它将注意力头分为两组,分别处理高频局部细节和低频全局结构,从而在多种模型规模下实现了优于现有方法的性能和更快的速度。该项目开源了图像分类、目标检测和语义分割任务的预训练模型和代码实现。

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