Project Icon

glpn-nyu

全球-局部路径网络在单目深度估计中的应用

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。

segformer-b2-finetuned-ade-512-512 - SegFormer模型实现高效语义分割的新方法
GithubHugging FaceHuggingfaceSegFormerTransformer图像分割开源项目模型视觉
SegFormer模型在ADE20K数据集上微调,支持512x512分辨率图像的语义分割,由层次Transformer编码器和轻量级MLP解码头构成,适用于ADE20K和Cityscapes等基准。模型先在ImageNet-1k上预训练,再在下游任务上微调,适合多种分割任务。
AdelaiDepth - 开源单目深度预测工具箱 推进3D场景重建研究
3D场景重建AdelaiDepthGithub单目深度预测开源项目深度学习计算机视觉
AdelaiDepth是开源单目深度预测工具箱,整合3D场景形状重建等多种算法。项目聚焦单一图像深度学习和3D场景恢复,相关成果入围CVPR'21最佳论文。通过提供训练代码和数据集,AdelaiDepth为计算机视觉领域研究提供了重要资源。
vggsfm - 深度学习驱动的结构运动恢复技术
GithubVGGSfM三维重建开源项目深度学习结构运动计算机视觉
VGGSfM是一种结合视觉几何原理和深度学习的结构运动恢复(SfM)技术。该开源项目提供Python包,支持3D重建、相机姿态估计和稠密深度图生成。VGGSfM在CVPR24 IMC挑战赛相机姿态估计中获得第一名。它支持多种特征点提取方法,并提供灵活的可视化选项,方便研究人员和开发者进行3D重建实验和应用开发。
ESANet - 高效RGB-D语义分割网络用于室内场景分析
ESANetGithubRGB-D实时处理室内场景分析开源项目语义分割
ESANet是一个高效的RGB-D语义分割网络,专为室内场景分析设计。该网络在NVIDIA Jetson AGX Xavier上实现实时语义分割,适用于移动机器人的实时场景分析系统。项目提供训练和评估代码,支持模型转换至ONNX和TensorRT,并可测量推理时间。ESANet在NYUv2、SUNRGB-D和Cityscapes等数据集上展现出优异性能。
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。
gmflow - 利用全球匹配提高光流估计的准确性与效率
GMFlowGithub光流估计全局匹配开源项目高效率高精度
GMFlow将光流重新定义为全球匹配问题,简化了光流估计流程。它提供灵活的模块化设计,可以轻松构建定制模型,并在高端GPU上显著加速。该项目在Sintel基准测试中表现出高准确性和效率,预训练模型适用于FlyingChairs、FlyingThings3D和KITTI等数据集。新更新扩展了GMFlow至立体和深度任务,并提供更多速度和准确性的选择。
PixelLM - 像素级推理与理解的大型多模态模型
GithubMUSE数据集PixelLM像素级推理图像分割多模态大模型开源项目
PixelLM是一种创新的大型多模态模型,专注于像素级推理和理解。它能处理开放集目标和复杂推理任务,同时保持LMM的基本结构。通过轻量级像素解码器和分割码本,PixelLM实现高效mask生成。项目同时推出MUSE数据集,为多目标推理分割研究提供高质量基准。在多个基准测试中,PixelLM展现出优越性能。
pix2pix3D - 基于2D标签图的3D感知条件图像生成模型
3D生成模型Githubpix2pix3D开源项目条件图像合成神经辐射场语义标签
pix2pix3D是一个3D感知条件生成模型,可以根据2D标签图(如分割图或边缘图)生成逼真的3D对象图像。该模型结合神经辐射场技术,能从多个视角渲染图像。通过同步生成图像和对应的标签图,pix2pix3D实现了交互式3D编辑功能,为可控的3D感知图像合成开辟了新途径。
NVLM-D-72B - 开源前沿级多模态大语言模型 实现视觉语言任务的最新突破
GithubHuggingfaceNVLM人工智能多模态大语言模型开源项目模型视觉语言
NVLM-D-72B是一款开源的多模态大语言模型,在视觉语言任务上表现卓越,达到了与顶级专有和开源模型相当的水平。该模型不仅擅长视觉语言任务,在多模态训练后其纯文本处理能力也有所提升。NVLM-D-72B可执行光学字符识别、多模态推理、定位、常识推理等多种任务,为AI研究社区提供了强大的开源多模态能力。
GPS-Gaussian - 通用像素级3D高斯表示实现实时人体新视角合成
3D Gaussian SplattingGithub人体新视角合成实时渲染开源项目深度学习计算机视觉
GPS-Gaussian提出了一种通用像素级3D高斯表示方法,可实时合成未见过人物的新视角。无需微调或优化即可生成高质量图像,具有出色的泛化性能。项目包含安装指南、数据准备、训练和测试流程,支持合成和真实数据集评估。该方法在人体新视角合成任务中展现实时渲染能力。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号