glpn-nyu

全球-局部路径网络在单目深度估计中的应用

Github 模型模型描述开源项目愿景 Huggingface 使用限制 GLPN 单目深度估计

GLPN模型利用SegFormer作为基础结构，并在NYUv2数据集进行微调，以实现单目深度估计。基于Kim等人的研究，GLPN通过轻量级模块提升深度预测能力，适用于多个深度感知应用场景，帮助增强计算机视觉系统的环境理解能力。

文档

PersFormer_3DLane - PersFormer基于透视变换实现精确的3D车道线检测

3D车道线检测GithubOpenLane基准PersFormerPyTorch实现开源项目透视变换

PersFormer是一种创新的3D车道线检测模型，采用基于Transformer的模块生成BEV特征并参考相机参数。模型能同时进行2D和3D车道检测，提升特征一致性与多任务学习效果。PersFormer在OpenLane和Apollo 3D Lane Synthetic数据集上的表现优异，超越了多种现有方法，并提供简便的安装与评估说明以及详细的训练和测试指南，成为3D车道检测领域的重要进展。

NDR-code - 单目RGB-D相机的动态场景神经表面重建

3D重建GithubNeurIPSRGB-D相机动态场景重建开源项目神经网络

NDR是一种基于神经网络的动态场景表面重建方法，利用单目RGB-D相机数据恢复高保真几何、运动和外观。该技术无需模板，适用于复杂场景重建。NDR在NeurIPS 2022会议获得Spotlight展示，体现了其在3D视觉领域的创新性。项目提供开源代码和数据集，为相关研究提供参考。

paligemma-3b-pt-224 - 基于SigLIP和Gemma的多功能视觉语言模型

GithubHuggingfacePaliGemma图像处理多语言开源项目模型自然语言处理视觉语言模型

PaliGemma是一款结合SigLIP视觉模型和Gemma语言模型的视觉语言模型。该模型可处理图像和文本输入并生成文本输出,支持多语言。PaliGemma在图像字幕、视觉问答、文本阅读、物体检测等多种视觉语言任务中表现优异。模型采用Transformer架构,拥有30亿参数,经过大规模多语言数据预训练,可通过微调应用于特定任务。

detr-resnet-50-panoptic - DETR模型：结合ResNet-50的端到端目标检测与全景分割

DETRGithubHuggingfaceTransformer开源项目模型目标检测计算机视觉语义分割

DETR-ResNet-50是一种创新的目标检测模型，融合了Transformer和卷积神经网络技术。该模型在COCO数据集上训练，支持端到端的目标检测和全景分割。通过100个对象查询机制，DETR实现了高效准确的目标识别。在COCO 2017验证集上，模型展现出优秀性能：框AP为38.8，分割AP为31.1，全景质量(PQ)达43.4。这一模型为计算机视觉任务提供了新的解决方案。

VoxFormer - 基于稀疏体素变换器的相机驱动3D语义场景补全方法

3D语义场景补全CVPRGithubVoxFormer开源项目计算机视觉语义分割

VoxFormer是一种基于Transformer的创新框架，仅通过2D图像即可生成完整的3D语义体素。它采用两阶段设计：先从深度估计生成可见占据体素查询，再通过密集化阶段生成完整3D体素。在SemanticKITTI数据集上，VoxFormer在几何和语义方面分别提升了20.0%和18.1%，同时将训练所需GPU内存减少约45%。这为相机驱动的3D语义场景补全任务提供了一个强有力的基线。

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。

OnePose_Plus_Plus - 关键点自由的单次目标姿态估计方法

3D重建GithubOnePose++开源项目物体姿态估计神经网络计算机视觉

OnePose++是一种目标姿态估计方法，无需CAD模型和预定义关键点。该方法通过结构光重建和深度学习，实现单次拍摄即可估计物体姿态。项目提供训练、推理和演示代码，支持OnePose和OnePose_LowTexture数据集，可扩展至LINEMOD数据集。OnePose++在计算机视觉和机器人领域有潜在应用价值。

lang-seg - 语言驱动的零样本语义图像分割模型

CLIPGithubLSeg开源项目计算机视觉语义分割零样本学习

LSeg是一种语言驱动的语义图像分割模型，结合文本编码器和Transformer图像编码器。它能将描述性标签与图像像素对齐，实现高效零样本分割。LSeg在多个数据集上表现出色，无需额外训练即可泛化到新类别。该模型在固定标签集上可与传统算法媲美，为语义分割任务提供了灵活有力的解决方案。

MonoGS - 基于3D高斯分布的实时场景重建与定位系统

3D重建CVPR 2024Gaussian Splatting SLAMGithub单目SLAM实时视觉定位开源项目

MonoGS是一个基于3D高斯分布的SLAM系统，支持单目、双目和RGB-D输入。该系统实现了实时稠密三维重建和精确相机定位，在室内场景中表现优异。通过高斯分布表示三维场景，MonoGS采用创新优化方法实现高效场景更新和渲染。作为CVPR 2024亮点论文，MonoGS展示了在计算机视觉和机器人领域的应用前景。

sd-controlnet-depth - 结合深度估计的文本到图像扩散模型

ControlNetGithubHuggingface图像生成开源项目条件控制模型深度估计稳定扩散

ControlNet通过深度估计条件增强了Stable Diffusion等模型，允许在个人设备和高性能集群上进行快速训练，即使数据集较小。开发者Lvmin Zhang与Maneesh Agrawala提出的模型具有灵活性，加强了扩散模型的控制方式，推进应用实现。其多种检查点以不同条件训练，提供精细的生成控制。

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