相关项目
donut
Donut是NVIDIA开发的实时渲染框架，提供可重用的渲染pass集合和场景加载系统。支持Vulkan、DirectX 12和DirectX 11等图形API，包含前向渲染、延迟渲染、时域抗锯齿等技术。可导入glTF 2.0模型和JSON场景布局文件。Donut专注于高性能渲染，适用于原型渲染器和图形应用开发，但不是完整的游戏引擎。
donut-base
Donut是一种创新的文档理解模型，无需OCR即可直接从图像生成文本。它结合了Swin Transformer视觉编码器和BART文本解码器，高效处理多种文档图像。这个预训练基础模型可针对文档分类、信息提取等任务进行微调，在文档智能处理领域应用广泛。作为开源项目，Donut为AI研究和开发提供了强大的文档处理工具。
donut-base-finetuned-cord-v2
该模型采用Swin Transformer编码器和BART解码器架构，通过CORD数据集优化，实现了直接的图像到文本转换功能。模型跳过了传统OCR步骤，直接将文档图像编码为张量表示，再解码生成文本内容，简化了文档理解流程。
donut-base-finetuned-docvqa
基于Swin Transformer和BART架构开发的文档理解模型，通过DocVQA数据集微调。模型集成了视觉编码器和文本解码器，无需OCR技术即可直接处理文档图像并回答问题。支持发票号码识别、合同金额提取等文档问答功能，可用于多种商业文档的自动化处理。