vision-transformer

OpenMMLab Detection Toolbox und Benchmark

pix2tex: Verwendung eines ViT zur Umwandlung von Gleichungsbildern in LaTeX-Code.

Dieses Repository enthält Demos, die ich mit der Transformers-Bibliothek von HuggingFace erstellt habe.

[NeurIPS 2024 Best Paper Award][GPT beats diffusion🔥] [Skalierungsgesetze in der visuellen Erzeugung📈] Offizielle Implementierung von "Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction". Eine *ultraeinfache, benutzerfreundliche und dennoch hochmoderne* Codebasis für die autoregressive Bilderzeugung!

Erfassen, analysieren und optimieren Sie jedes Datenformat ➡️ von Dokumenten bis hin zu Multimedia ➡️ für verbesserte Kompatibilität mit GenAI-Frameworks.

SwinIR: Bildwiederherstellung mit Swin Transformer (offizielles Repository)

MLX-VLM ist ein Paket für Inferenz und Fine-Tuning von Vision Language Models (VLMs) auf dem Mac mit MLX.

Eine äußerst umfassende Liste von Arbeiten zu Vision Transformer/Attention, einschließlich Papern, Codes und zugehörigen Websites

Effiziente KI-Backbones einschließlich GhostNet, TNT und MLP, entwickelt vom Huawei Noah's Ark Lab.

OpenMMLab Pre-training Toolbox und Benchmark

Das erste Vision-Plugin für DeepSeek Harness und die Vision-Brücke für jeden reinen Text-Coding-Agenten. Bild einfügen, strukturierte JSON-Beweise erhalten (OCR, Layout, Semantik).

Scenic: Eine Jax-Bibliothek für die Computer-Vision-Forschung und darüber hinaus

Towhee ist ein Framework, das darauf ausgerichtet ist, Pipelines zur Verarbeitung neuronaler Daten einfach und schnell zu machen.

Effiziente Vision-Foundation-Modelle für hochauflösende Generierung und Wahrnehmung.

InternLM-XComposer2.5-OmniLive: Ein umfassendes multimodales System für langfristige Streaming-Video- und Audio-Interaktionen

EVA Series: Visual Representation Fantasies von BAAI

[ECCV2024] Video Foundation Models & Data für multimodales Verständnis

[CVPR 2025] Offizielle PyTorch-Implementierung von MambaVision: Ein hybrides Mamba-Transformer-Vision-Backbone.

Das offizielle Repository für [NeurIPS'22] "ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation" und [TPAMI'23] "ViTPose++: Vision Transformer for Generic Body Pose Estimation"

[CVPR 2021] Offizielle PyTorch-Implementierung für Transformer Interpretability Beyond Attention Visualization, eine neuartige Methode zur Visualisierung von Klassifikationen durch Transformer-basierte Netzwerke.

Ein All-in-One-Toolkit für Computer Vision

Dies ist eine Sammlung unserer Arbeiten zu NAS und Vision Transformer.

All-in-One-Training für Vision-Modelle (YOLO, ViTs, RT-DETR, DINOv3): Vortraining, Fine-Tuning, Distillation.

[ICLR 2023 Spotlight] Vision Transformer Adapter für dichte Vorhersagen

Eine kuratierte Liste von Foundation Models für Bild- und Sprachaufgaben

UNetFormer: Ein UNet-ähnlicher Transformer für die effiziente semantische Segmentierung von Fernerkundungs-Stadtbildern (ISPRS). Enthält zudem weitere Vision Transformer und CNNs für die Segmentierung von Satelliten-, Luft- und Drohnenbildern.

Ein allgemeines Repräsentationsmodell über Bild-, Audio- und Sprachmodalitäten. Paper: ONE-PEACE: Exploring One General Representation Model Toward Unlimited Modalities

[ICML2025] SpargeAttention: Eine trainingsfreie sparse Attention, die die Inferenz beliebiger Modelle beschleunigt.

:fire: :fire: :fire: Eine Literaturliste zu einigen aktuellen Arbeiten im Bereich Computer Vision (CV)

Repository von Vision Transformer with Deformable Attention (CVPR2022) und DAT++: Spatially Dynamic Vision Transformer with Deformable Attention