#计算机视觉

CleanVision是一个开源的图像数据集审核工具，能自动检测模糊、曝光不当和重复等常见问题。它为计算机视觉项目提供了数据预处理解决方案，支持多种图像格式，适用于分类、分割和对象检测等任务。开发者只需几行Python代码即可快速审核数据集，有助于提高机器学习模型的训练质量。

MCNet是一种新型说话头视频生成方法，在ICCV 2023上发表。该方法利用隐式身份表示和记忆补偿网络，生成高质量、自然的说话头视频。MCNet能够保持身份一致性，同时生成逼真、富有表现力的面部动画。项目开源了代码实现和预训练模型，为研究者提供了探索和应用的基础。

本指南全面介绍图像信号处理(ISP)技术,涵盖应用、库和工具。内容包括机器学习、深度学习、计算机视觉和LiDAR等相关领域,并提供丰富的学习资源和开发工具。适合初学者和有经验开发人员深入学习ISP知识,提升相关技能。

opencv-mobile是OpenCV库的轻量级优化版本,专为移动和嵌入式设备设计。该项目支持Android、iOS、ARM Linux等多种平台,提供2.4、3.4和4.10三个主要版本。通过精简库体积并保留核心功能,使其更适合资源受限环境。opencv-mobile将OpenCV库的体积缩小了90%以上,Android版从292MB减少到17.7MB,iOS版从207MB减少到3.97MB,同时保留了核心计算机视觉功能。所有二进制文件均在GitHub Actions上公开编译,确保代码透明和安全性。

这个项目汇集了深度学习和机器学习领域的论文阅读笔记，重点关注自动驾驶技术。涵盖BEV感知、语义占用预测、可行驶空间检测和3D目标检测等热门研究方向。同时收录了多篇综述文章，全面呈现自动驾驶领域的最新进展和技术动向。

QATM是一种质量感知模板匹配算法的PyTorch实现。这个开源项目提供了完整的代码实现，包括依赖项、使用说明和演示结果。它支持GPU加速，可用于图像识别和对象定位等计算机视觉任务。用户可以自定义样本图像和模板图像，项目展示了算法在多种模板上的匹配效果。

D2-Net是一个用于联合检测和描述局部图像特征的卷积神经网络模型。该项目提供模型实现、预训练权重、特征提取脚本和MegaDepth数据集训练流程。D2-Net在图像匹配和3D重建等计算机视觉任务中表现优异，提高了特征提取的准确性和效率。项目支持多尺度特征提取，并包含在不同数据集上训练的模型权重。

该项目汇总了场景文本检测与识别领域的最新研究成果,包含牛津大学、深圳先进技术研究院、华南理工大学等机构发表的论文和开源代码。内容覆盖文本检测、文本识别、端到端文本识别等方向,为相关研究提供全面参考。项目保持更新,持续跟踪领域进展,是场景文本分析研究的重要资源库。

L-CNN是一种用于图像线框检测的高效神经网络。该项目在GitHub上开源了完整的PyTorch实现，包含数据处理、模型训练和评估等模块。L-CNN在多项定量指标上超越了现有方法，为线框解析领域提供了新的基准。项目还提供了预训练模型，方便研究者进行复现和进一步开发。

NeurVPS是一种用于图像消失点检测的深度学习算法。该算法采用几何启发的卷积运算符,结合数据驱动方法和几何先验,在多个数据集上超越了现有方法。项目提供PyTorch实现,包含模型训练、评估和预训练模型,便于研究人员复现实验。

这是基于论文《Arbitrary Style Transfer in Real-time with Adaptive Instance Normalization》的非官方PyTorch实现。该项目提供实时任意风格迁移功能，包含预训练模型、测试脚本和训练选项。支持调整风格化程度、保留原始颜色和混合多种风格。适用于图像处理和艺术创作，提供了便捷的命令行界面。

keras-ocr是一个开源的文本检测和OCR工具包，集成了CRAFT检测模型和CRNN识别模型。该项目提供高级API用于训练和部署OCR流程，支持Python 3.6+和TensorFlow 2.0.0+环境。keras-ocr自带预训练模型，在COCO-Text验证集上表现接近主流云服务。它为开发者提供了一个灵活、高效且易于使用的OCR开发平台。

Lightning Pose是一个基于PyTorch Lightning的姿态估计框架，利用NVIDIA DALI加速未标记视频的训练。框架集成了TensorBoard、FiftyOne和Streamlit等评估工具，支持已标记数据和未标记视频的模型训练与评估。项目还提供浏览器应用，涵盖数据标注、模型训练到结果可视化的完整流程。此外，团队开发的Ensemble Kalman Smoother (EKS)后处理器可与多种姿态估计包兼容。

RevCol是一种新型神经网络架构，采用多个子网络（列）通过多层可逆连接组成。作为基础模型骨干，RevCol适用于图像分类、目标检测和语义分割等计算机视觉任务。该架构在ImageNet等基准测试中表现优异，项目提供了训练和评估代码，以及多个数据集上的预训练模型权重，方便研究人员进行进一步探索。

BDD100K是一个专为异构多任务学习设计的多样化驾驶数据集，包含10万个视频和10个评估任务。这些数据涵盖了超过1000小时的驾驶经验，体现了地理、环境和天气的多样性。BDD100K支持图像标记、车道检测、可行驶区域分割等多项任务，为自动驾驶技术研究提供了丰富的数据资源，有助于评估图像识别算法在实际驾驶场景中的表现。

这个项目收集了多个计算机视觉领域的深度学习模型，包括图像分类、目标检测、语义分割和生成模型。项目为每个模型提供论文链接、详细解析和代码实现，涵盖从AlexNet到YOLO系列等经典算法。这是一个面向研究人员和开发者的综合性学习资源，有助于理解和应用先进的计算机视觉技术。

EnlightenGAN是一种用于增强低光照图像质量的深度学习方法。该技术采用无监督学习方式，无需配对的低光/正常光照图像进行训练。EnlightenGAN基于生成对抗网络(GAN)架构，能有效提升各种复杂场景下的图像亮度和细节。在多个公开数据集上，EnlightenGAN展现出优秀性能，为计算机视觉和图像处理领域提供了新的解决方案。

SINet是一种伪装目标检测算法，模仿人类视觉系统结构和动物捕食行为来提高检测精度。该算法在COD10K等数据集上性能优异，建立了新的基准。SINet具备实时推理能力，适用于多种实际应用场景。

SoccerNet Game State Reconstruction项目提出了一种新的计算机视觉任务,通过单个移动摄像头追踪和识别足球运动员,并构建小型地图。该项目引入了包含200个标注视频片段的数据集和新评估指标,提供了基于深度学习的基线系统和开源代码库。这一创新技术为体育行业提供了自动化比赛状态重建的工具,有望推动相关研究的进一步发展。

项目通过结合Segment-Anything的分割能力和CLIP的识别功能，构建了一个高效的图像分析框架。系统可自动生成多个分割掩码，并对每个掩码区域进行分类。这种创新方法不仅提高了图像分析的精度，还为计算机视觉领域的研究和应用开辟了新途径。

CenterSnap是一个开源的深度学习项目,致力于单镜头多物体3D重建和姿态估计。该技术能在单次拍摄中同时完成多个物体的3D形状重建、6D姿态和尺寸估计。项目提供了完整的训练和推理代码,以及预处理数据集,方便研究人员复现结果和开展进一步研究。CenterSnap在机器人抓取和场景理解等领域有潜在应用价值。

这个Python库实现了基于补丁的推理方法,用于改进小物体检测和实例分割。它支持多种Ultralytics模型,包括YOLOv8/v9/v10、FastSAM和RTDETR,可用于对象检测和实例分割任务。库提供了推理结果可视化功能,并通过优化的补丁处理和结果合并提高了小物体检测准确性。项目还包含交互式笔记本和教程,方便用户学习和使用。

ViTAE-Transformer-Remote-Sensing项目致力于遥感图像解释领域的视觉变压器模型研究。该项目涵盖遥感预训练、场景识别、语义分割和目标检测等多项任务,提出了RVSA和MTP等创新模型架构和训练方法。项目还开发了SAMRS大规模遥感分割数据集。这些成果有助于推进遥感基础模型的发展,为遥感应用提供技术支持。项目成果包括遥感预训练研究、场景识别模型、语义分割技术和目标检测算法。RVSA和MTP等创新架构提升了模型性能和效率。SAMRS数据集的开发为遥感分割任务提供了大规模训练资源。

QFormer是一种创新的视觉Transformer模型，采用四边形注意力机制替代传统窗口注意力。该模型通过可学习的四边形回归模块，将默认窗口转换为目标四边形进行计算，从而更好地建模不同形状和方向的目标。在图像分类、目标检测、语义分割和人体姿态估计等多项视觉任务中，QFormer在保持低计算成本的同时，性能显著优于现有的视觉Transformer模型。

Human-Video-Generation项目收录了2018年以来人工智能视频生成领域的重要研究成果。该项目涵盖面部重演、动作迁移和语音驱动动画等多个方向，提供了前沿论文、代码实现和演示视频。从早期的PSGAN到最新的Real3D-Portrait，项目全面展示了AI视频生成技术的快速进展，为相关领域的研究者和开发者提供了丰富的参考资源。

CoDA是一个开源的开放词汇表3D目标检测框架，通过协作式新颖框发现和跨模态对齐技术提高对未见类别的检测能力。该项目支持ScanNet和SUN RGB-D数据集，提供完整的代码、预训练模型和数据集。CoDA的创新方法在NeurIPS 2023发表，为3D场景理解研究提供了新的思路。项目基于PyTorch开发，并提供详细的安装和使用指南。

PSGAN是一种新型的妆容迁移技术，能够在不同姿势和表情下实现精确的妆容转移。该技术利用空间感知GAN架构，支持高度定制化的妆容效果，并能保留细节。PSGAN不仅适用于静态图像，还可应用于视频中的实时妆容迁移，为计算机视觉和美妆行业带来新的研究方向。项目还增加了使用拉普拉斯变换的高分辨率人脸支持功能，进一步提升了技术的应用范围和效果。PSGAN的开源代码支持GPU推理和训练，为研究者和开发者提供了便利的实验环境。

pytorch-animeGAN是AnimeGAN的PyTorch实现,能够快速将真实照片转换为动漫风格。项目提供Hayao、Shinkai和Arcane等多种预训练模型,支持使用预训练模型进行推理或在自定义数据集上训练。除了图像转换,还支持视频转换和批量处理,并集成色彩迁移模块以保留原始图像颜色。该开源项目为开发者和研究人员提供了便捷的动漫风格转换工具。

该项目整理了虚拟试衣(VTON)领域的研究资源,包括最新论文、代码、数据集和演示。内容涵盖基于提示、2D/3D图像、混搭、野外场景和多姿态引导等多个研究方向,并提供相关会议workshop信息。为虚拟试衣技术的研究人员和开发者提供全面的参考资料。

AbSViT是一个创新视觉注意力模型，采用分析合成方法实现自适应的自上而下注意力机制。该模型在ImageNet分类和语义分割任务中表现优异，尤其在鲁棒性测试中展现出色性能。AbSViT能够适应单目标和多目标场景，并根据不同问题动态调整注意力。这一模型为计算机视觉领域开辟了新的研究方向，有望在多种视觉任务中发挥重要作用。

Guided-pix2pix项目推出创新的图像转换方法，运用双向特征变换技术提高引导式图像生成的精确度。该方法在姿势迁移、纹理迁移和深度上采样领域展现出优异性能，生成的图像质量更高、更贴合引导信息。项目开放完整代码和预训练模型，为研究人员提供便利的实验和开发环境。

PoseFlow是GitHub上的开源人体姿态追踪项目，在实时多人追踪方面表现出色。它在PoseTrack挑战赛中achieve了高精度，支持各种数据集和可视化。该算法结合了深度学习和计算机视觉技术，适用于动作识别、行为分析等AI应用。PoseFlow提供Python实现，易于集成到现有系统中。它集成了AlphaPose和DeepMatching/ORB特征匹配技术，实现了高效准确的追踪。该项目提供完整代码和使用文档，可应用于计算机视觉、动作分析等领域。

SA3D是一个创新的三维目标分割框架，基于神经辐射场(NeRF)模型。它允许用户通过单一视图的手动提示，快速获取目标对象的3D分割结果。SA3D支持点提示和文本提示输入，处理时间约为2分钟。该框架在建筑、室内场景和复杂物体等多种应用场景中展现了良好的适应性，为3D场景感知和虚拟现实内容创作提供了新的可能。项目还包含直观的图形界面，便于研究人员和开发者进行快速实验和应用开发。

本项目提供了一个4小时的Python OpenCV课程，内容涵盖从基础安装到高级应用。课程主题包括图像和视频处理基础、颜色空间转换、边缘检测、人脸检测与识别等。课程还涉及Caer库用于高性能AI研究，以及BITWISE操作、直方图计算和阈值处理等高级主题。最后，学员将完成一个使用深度学习对《辛普森一家》角色进行分类的项目。这个全面的课程旨在帮助Python开发者迅速掌握OpenCV和计算机视觉技能，并提供详细的时间戳，方便学习者快速定位所需内容。

该项目提出了一种基于掩码引导的迭代训练方法，用于交互式图像分割。这种方法能够分割新对象，也可从外部掩码开始修正。采用简单前馈模型，无需额外优化即可达到先进性能。项目提供训练和测试代码、预训练模型及交互式演示，支持多种数据集和评估指标。

f-BRS是一种基于反向传播细化的交互式图像分割算法。该项目提供了PyTorch实现,支持ResNet和HRNet等多种骨干网络。算法通过用户点击交互实现精确对象分割,在GrabCut、Berkeley等多个数据集上进行了评估。项目还提供了图形界面演示。f-BRS在分割精度和速度方面均有显著提升,为计算机视觉领域提供了新的解决方案。