vit_small_patch16_384.augreg_in21k_ft_in1k

增强的视觉转换器模型及其在图像分类中的应用

ImageNet 图像分类开源项目 Vision Transformer PyTorch 模型 Huggingface 数据增强 Github

ViT图像分类模型结合增强与正则化技术，基于ImageNet-21k训练后在ImageNet-1k微调。模型通过JAX进行训练并移植至PyTorch，拥有22.2M参数和384x384图像输入，展示了12.4 GMACs的高效性。适用于图像分类与特征提取，在视觉识别和嵌入生成中表现出色。

SiT - 可扩展插值变换器融合流模型和扩散模型的图像生成新方法

GithubSiT图像生成开源项目机器学习深度学习生成模型

SiT项目开发了可扩展插值变换器，这是一种基于扩散变换器的生成模型。通过灵活连接分布，SiT实现了对动态传输生成模型的模块化研究。在条件ImageNet 256x256基准测试中，SiT以相同的骨架和参数超越了DiT，并通过优化扩散系数获得了2.06的FID-50K分数。项目提供PyTorch实现、预训练模型和训练脚本，推动了图像生成技术的进步。

big_vision - 基于Jax/Flax的大规模视觉模型训练框架

GithubJaxbig vision开源项目模型训练深度学习计算机视觉

Big Vision是一个用于训练大规模视觉模型的开源代码库。它基于Jax/Flax构建，支持在Cloud TPU VM和GPU上运行。该项目采用tf.data和TensorFlow Datasets实现高效的数据处理，可无缝扩展至2048个TPU核心的分布式环境。Big Vision涵盖了视觉Transformer、多模态学习、知识蒸馏等多个研究方向，为大规模视觉实验提供了可靠的基础。

ml-cvnets - 灵活的计算机视觉模型训练库

CVNetsGithub图像分类对象检测开源项目模型训练计算机视觉

CVNets是一个计算机视觉库，支持研究人员和工程师训练和评估多种计算机视觉模型，包括对象分类、对象检测和语义分割等任务。最新版本引入了直接处理文件字节的Transformer和高效在线增强，支持如Mask R-CNN、EfficientNet、Swin Transformer和ViT等模型，并增强了蒸馏功能。

fast-DiT - 改进PyTorch实现的可扩展扩散模型转换器

DiTGithubPyTorchTransformer图像生成开源项目扩散模型

fast-DiT 项目提供了扩散模型转换器（DiT）的改进 PyTorch 实现。该项目包含预训练的类条件 DiT 模型、Hugging Face Space 和 Colab 笔记本，以及优化的训练脚本。通过采用梯度检查点、混合精度训练和 VAE 特征预提取等技术，显著提升了训练速度和内存效率。这一实现为研究人员和开发者提供了探索和应用扩散模型的有力工具。

Retinexformer - Retinexformer：高效低光照图像增强工具，支持15个基准测试和超高分辨率

GithubICCV 2023NTIRE 2024Retinexformer低光照图像增强开源项目高分辨率图像

Retinexformer是一个低光照图像增强项目，支持超过15个基准测试和超高分辨率图像（最高4000x6000）。该项目在NTIRE 2024挑战中获得第二名，提供代码、预训练模型和训练日志。Retinexformer框架支持分布式数据并行和混合精度训练，自适应分割测试策略显著提升模型性能。

vits2_pytorch - 单阶段文本到语音转换的效率与质量提升

GithubVITS2单阶段模型对抗学习开源项目文本转语音架构设计

VITS2_pytorch是一款先进的单阶段文本到语音转换模型，采用对抗学习和架构设计改进前代产品。这一最新的非官方实现版本，旨在通过增强模型结构和训练机制，有效提升语音自然度和特征相似性，同时显著降低对音素转换的依赖，从而提高训练和推断的效率。该项目还为专业人士提供了预训练模型和多种语言的样本音频，支持开箱即用的转换学习。

ReVersion - 图像关系反演技术及其在扩散模型中的应用

GithubNanyang Technological UniversityReVersion关系反演图像生成开源项目深度学习

ReVersion框架提出了一种名为关系反演的新任务，通过从示例图像中捕捉并应用关系提示，生成新的关系特定场景。该项目支持Hugging Face集成，提供预训练模型和基准测试。最新更新包括代码优化和训练代码发布。用户只需克隆仓库并配置Conda环境，即可实现关系反演和多样化图像生成。

MambaVision - 高效且灵活的视觉骨干网络，适用于各种分辨率的图像处理

GithubHugging FaceMambaVision图像分类开源项目深度学习计算机视觉

MambaVision采用混合Mamba-Transformer架构，结合自注意力和混合块，实现了卓越的图像分类和特征提取效果。其创新的对称路径设计提升了全局上下文的建模能力，并提供多种预训练模型。MambaVision支持多种分辨率图像处理，适用于分类、检测和分割等任务。最新模型支持Hugging Face和pip包，详细信息见[官网](https://huggingface.co/collections/nvidia/mambavision-66943871a6b36c9e78b327d3)。

VILA - 创新的视觉语言模型预训练方法

GithubVILA多模态开源项目视觉语言模型量化预训练

VILA是一种新型视觉语言模型，采用大规模交错图像-文本数据预训练，增强了视频和多图像理解能力。通过AWQ 4位量化和TinyChat框架，VILA可部署到边缘设备。该模型在视频推理、上下文学习和视觉思维链等方面表现出色，并在多项基准测试中获得了优异成绩。项目完全开源，包括训练和评估代码、数据集以及模型检查点。

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