pix2struct

基于截图解析的视觉语言预训练模型

Pix2Struct 视觉语言理解预训练模型数据预处理实验运行 Github 开源项目

Pix2Struct是一个基于截图解析的视觉语言预训练模型。该模型可处理图像描述、图表问答和界面元素理解等多种任务。项目提供预训练的Base和Large模型检查点,以及9个下游任务的微调代码。Pix2Struct在多个视觉语言任务中表现优异,为相关研究提供了有力支持。

Github

论文

介绍相关项目

deplot - 创新图表理解技术实现一次性视觉语言推理

DePlotGithubHuggingface图像转文本图表问答大语言模型开源项目模型视觉语言推理

DePlot是一种创新的视觉语言推理模型，通过将图表转换为线性化表格实现图表到文本的转换。该模型将推理过程分为图表到文本转换和文本推理两个步骤。DePlot能与预训练大型语言模型无缝集成，在人工编写的查询任务中，仅需一次提示就比现有最先进模型提升24.0%的性能。这一突破性技术为图表理解和视觉问答领域带来新的发展方向。

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。

Pixu - AI生成的可定制高质量图片库

AI工具人像摄影城市景观复古风格时尚风格海滩场景

Pixu提供3000多张AI生成的高质量图片,包括人像、时尚和生活场景。图库风格涵盖现代都市、复古怀旧和自然风光等主题,可根据需求进行个性化定制。适用于商业设计、社交媒体和个人创作,为创作者提供独特的视觉素材。

clip-vision-model-tiny - 轻量级AI图像处理与分析视觉模型

GithubHuggingfaceMIT协议代码许可开源协议开源项目模型许可证软件授权

基于MIT许可证开发的轻量级图像视觉模型，采用紧凑架构设计，具备高效的图像处理和分析能力。该开源项目适用于快速部署场景，可在资源受限环境中保持准确的图像识别表现。

PixArt-sigma - Diffusion Transformer模型实现4K文本到图像生成

4K图像生成GithubPixArt-ΣTransformer开源项目扩散模型文生图

PixArt-Σ是一个基于Diffusion Transformer的文本到图像生成模型。通过Weak-to-Strong训练方法,该模型支持4K分辨率生成,采用300长度T5 token和SDXL VAE。相比前代PixArt-α,PixArt-Σ具有更强的生成能力。项目提供开源代码、多种分辨率预训练权重、diffusers库集成支持和在线演示。

rich-text-to-image - 富文本格式提升文本到图像生成的精确控制

AI绘图GithubICCV 2023Rich-Text-to-ImageStable Diffusion开源项目文本生成图像

Rich-Text-to-Image项目利用富文本格式信息增强文本到图像生成的控制能力。该项目通过字体大小、颜色、样式和脚注等格式实现精确的颜色渲染、局部风格控制和详细区域合成。这种方法支持token显式重新加权，可与Stable Diffusion等主流模型集成，提供更精细的图像生成控制。项目开源了代码实现，并提供在线演示和相关论文，为文本到图像生成领域开辟了新的研究方向。

PickScore - 优化文本到图像生成的用户偏好数据集和模型

GithubPickScore开源项目数据集文本生成图像用户偏好

PickScore是一个开源项目，提供数据集和模型用于优化文本到图像生成的用户偏好预测。项目包含Pick-a-Pic v1和v2数据集，以及基于v1训练的PickScore模型。此外，还提供演示、安装指南、推理示例和训练脚本，方便研究人员和开发者进行实验和改进。PickScore致力于提升AI生成图像的质量和用户体验。

blip2-opt-2.7b - 集成图像理解与语言生成的视觉语言模型

BLIP-2GithubHuggingface图像描述图像识别开源项目模型自然语言处理视觉问答

BLIP-2 OPT-2.7b是一款结合CLIP图像编码器、查询转换器和OPT-2.7b语言模型的视觉语言系统。该模型能够进行图像描述、视觉问答和图像对话等任务，通过独特的查询转换器架构实现了高效的图像理解和文本生成。BLIP-2在图像-文本处理领域展现出广泛应用前景，但也存在潜在偏见和局限性，需要在实际应用中谨慎评估。

ViTamin - 推动计算机视觉进入新时代的可扩展视觉语言模型

GithubViTamin图像处理开源项目深度学习视觉语言模型计算机视觉

ViTamin是一系列可扩展的视觉语言模型,在图像分类、开放词汇检测和分割等任务上取得突破。以436M参数量在DataComp-1B数据集训练,实现82.9%的ImageNet零样本准确率。在7个开放词汇分割基准测试中创新纪录,并提升大型多模态模型能力。获timm和OpenCLIP官方支持,提供简单接口。ViTamin为计算机视觉领域带来新的可能性。

git-base - 微软GIT-base模型图像到文本的多功能视觉语言处理工具

GITGithubHuggingface图像到文本开源项目微软模型自然语言处理计算机视觉

GIT-base是微软开发的基于Transformer的图像到文本生成模型。该模型能够生成图像和视频的文本描述，支持视觉问答等多种应用。GIT-base采用CLIP图像tokens和文本tokens进行条件训练，基于1000万图文对数据集。作为一个灵活多功能的视觉语言处理工具，GIT-base为图像理解和跨模态任务提供了新的解决方案。

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