lotus-normal-g-v1-0

基于扩散原理的高精度视觉预测模型

视觉基础模型深度学习 Huggingface 开源项目模型扩散模型 Github 密集预测 Lotus

Lotus是EnVision Research团队开发的视觉基础模型，采用扩散模型技术实现高精度的视觉预测功能。该项目已在arXiv发表论文，并开源了完整代码库。通过在线演示平台，开发者可以体验其在计算机视觉领域的实际应用效果。

owlv2-base-patch16-ensemble - 基于CLIP的开放词汇目标检测模型

CLIPGithubHuggingfaceOWLv2开源项目模型目标检测计算机视觉零样本学习

OWLv2是一个基于CLIP的开放词汇目标检测模型。它使用ViT-B/16和masked self-attention Transformer分别作为图像和文本编码器，通过对比学习训练。该模型支持多文本查询的零样本目标检测，无需预定义类别。OWLv2在开放词汇目标检测任务中表现优异，为计算机视觉研究开辟了新方向。

glm-4v-9b - 开源多模态AI模型GLM-4V-9B展现卓越性能

GLM-4V-9BGithubHuggingface图像描述多模态模型开源项目模型自然语言处理视觉理解

GLM-4V-9B是一款由智谱AI开发的开源多模态人工智能模型，支持1120x1120高分辨率下的中英双语多轮对话。该模型在综合能力、感知推理、文字识别和图表理解等多个领域表现优异，与GPT-4-turbo、Gemini 1.0 Pro等主流模型相比具有竞争力。GLM-4V-9B支持8K上下文长度，为研究者和开发者提供了强大的视觉理解和语言处理能力。

PointLLM - 多模态大语言模型理解点云数据的突破性进展

3D点云GithubPointLLM多模态大语言模型开源项目计算机视觉

PointLLM是一个创新的多模态大语言模型，可理解物体的彩色点云数据。该模型能够感知物体类型、几何结构和外观，而不受深度模糊、遮挡或视角依赖等问题影响。项目团队收集了包含660K简单和70K复杂点云-文本指令对的数据集，并采用两阶段训练策略。为评估模型的感知和泛化能力，研究人员建立了生成式3D物体分类和3D物体描述两个基准，并使用三种评估方法进行测试。

Diffusion_models_from_scratch - 完整实现扩散模型的开源框架与教程

Diffusion模型GithubImageNetU-Net图像生成开源项目预训练模型

该项目提供了一个完整的扩散模型实现框架，包含DDPM、DDIM和无分类器引导模型。项目特点包括：基于ImageNet 64x64数据集的预训练模型、详细的环境配置和数据准备指南、全面的训练和推理脚本，以及多种模型架构和优化策略。开发者可以利用此框架轻松训练自定义扩散模型或使用预训练模型生成图像。

OpenDalleV1.1 - 超越SDXL性能的开源AI文生图模型

GithubHuggingfaceOpenDalleV1.1Stable Diffusion人工智能绘画图像生成开源项目模型深度学习

OpenDalleV1.1是一个开源AI图像生成模型，比SDXL具有更强的性能表现。模型在图像真实感和艺术风格方面表现突出，能够准确解析提示词并生成对应图像。基于独特的模型合并方法开发，仅限个人非商业使用，支持diffusers框架部署，通过推荐参数配置可生成细节丰富的图像。

MoE-LLaVA - 高效视觉语言模型的新方向

GithubMoE-LLaVA多模态学习大视觉语言模型开源项目性能表现稀疏激活

MoE-LLaVA项目采用混合专家技术,实现了高效的大规模视觉语言模型。该模型仅使用3B稀疏激活参数就达到了与7B参数模型相当的性能,在多项视觉理解任务中表现优异。项目提供简单的基线方法,通过稀疏路径学习多模态交互,可在8张A100 GPU上1天内完成训练。MoE-LLaVA为构建高性能、低参数量的视觉语言模型探索了新的方向。

git-large-coco - 高级视觉与语言转换：大规模图像到文本模型

GITGithubHuggingface图像标注开源项目模型模型训练视觉视觉问答

GIT大型模型通过在COCO数据集上微调，实现图像到文本的转换，支持图像和视频字幕生成、视觉问答和图像分类等功能。该模型利用图像和文本令牌的结合，预测下一个文本令牌，并在多种视觉与语言应用场景中表现出色。

AingDiffusion9.2 - 通过文本生成高清晰度图像

AI绘图GithubHugging FaceHuggingfacestable-diffusion图像生成开源项目模型高质量图像

该项目利用稳定扩散原理和先进的扩散器技术，以生成超逼真的高细节图像。产生图像具备锐利的焦点和鲜艳的色彩，从而流畅映射文本描述。探索AI与视觉创意的交汇，体验创新与实践在生成3D电影级图像中的应用。

diffusion-forcing - 创新机器学习方法结合下一步预测和全序列扩散技术

Diffusion ForcingGithub开源项目模型训练深度学习视频预测迷宫规划

Diffusion Forcing是一种结合下一步预测和全序列扩散技术的机器学习方法。该项目为视频预测、迷宫规划和时间序列分析等任务提供了框架。通过时间注意力机制，Diffusion Forcing可生成长序列预测并在复杂环境中进行规划。该方法在Minecraft和DMLab视频数据集以及迷宫规划任务中表现优异。项目包含使用说明和预训练模型，便于研究者快速上手和复现结果。

FLUX.1-dev-LoRA-AntiBlur - FLUX.1-dev基础上的深度景深增强LoRA模型

AI绘图FLUX.1-devGithubHuggingfaceLoRA图像生成开源项目模型深度景深

FLUX.1-dev-LoRA-AntiBlur是一个基于FLUX.1-dev的LoRA模型，旨在增强图像的深度景深效果。该模型能在保持图像质量的同时显著提升景深，并可与ControlNet等其他组件结合使用。模型使用简便，无需触发词，在diffusers中推荐使用1.0到1.5的缩放比例。用户可以通过Python代码进行本地推理，也可以在Shakker AI平台上在线生成图像。

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