image-generation

वेब्यू के बाहर स्टेबल डिफ्यूजन द्वारा जेनरेट की गई छवियों से प्रॉम्प्ट पढ़ने के लिए एक सरल स्टैंडअलोन व्यूअर।

छवि और वीडियो को समझने, जनरेट करने और संपादित करने के लिए एक 3B-सक्रिय-पैरामीटर मूल एकीकृत मल्टीमॉडल मॉडल।

WebAI2API: Camoufox पर आधारित वेब AI से API टूल, LMArena/Gemini आदि का समर्थन करता है, बहु-विंडो समवर्तीता और खाता अलगाव के साथ।

कला, वास्तविक समय की आवाज़ बातचीत, LLM-संचालित चैटबॉट्स और स्वचालित वर्कफ़्लो के लिए ऑफ़लाइन अनुमान इंजन

[NeurIPS 2020] डेटा-कुशल GAN ट्रेनिंग के लिए डिफ़रेंशिएबल ऑगस्टमेंशन

Bernini वीडियो जनरेशन और संपादन के लिए एक एकीकृत फ्रेमवर्क है जो MLLM-आधारित सिमेंटिक प्लानर को DiT-आधारित रेंडरर के साथ जोड़ता है।

Inpaint Anything एक्सटेंशन Segment Anything के मास्क का उपयोग करके ब्राउज़र UI पर स्टेबल डिफ़्यूजन इनपेंटिंग करता है।

[ICCV 2025] "MV-Adapter: Multi-view Consistent Image Generation Made Easy" का आधिकारिक कार्यान्वयन

webkit का उपयोग करके html को परिवर्तित करके Symfony में आसानी से PDF और छवियां बनाएं

टर्मिनल से OpenAI के ChatGPT और DALL-E का उपयोग करने के लिए सरल शेल स्क्रिप्ट। किसी Python या JS की आवश्यकता नहीं है।

इमेज-टू-इमेज ट्रांसलेशन पर बेहतरीन संसाधनों का संग्रह।

इमेज डेटासेट में स्वचालित रूप से समस्याएँ खोजें और डेटा-केंद्रित कंप्यूटर विज़न का अभ्यास करें।

[ICLR24] पेपर “MagicDrive: Street View Generation with Diverse 3D Geometry Control” का आधिकारिक कार्यान्वयन

PyTorch - उचित छवि रीसाइज़िंग और क्वांटाइजेशन चरणों के साथ FID गणना [CVPR 2022]

"VITON-HD: High-Resolution Virtual Try-On via Misalignment-Aware Normalization" (CVPR 2021) का आधिकारिक PyTorch इम्प्लीमेंटेशन

Windows, Linux और macOS के लिए अनसेंसर्ड लोकल AI स्टूडियो। इमेज जनरेशन, GGUF LLMs, टेक्स्ट-टू-स्पीच और स्पीच-टू-टेक्स्ट के लिए जीरो-सेटअप GUI।

Apple Silicon के लिए नेटिव LLM इन्फरेंस सर्वर। OpenAI और Anthropic API के साथ संगत। Python की आवश्यकता नहीं। इसमें चैट, एजेंट मोड और टूल कॉलिंग के साथ MLX Core macOS ऐप शामिल है।

Guicang का मटीरियल इलस्ट्रेशन स्किल: व्याख्यात्मक टेक्स्ट के साथ इमेज जनरेट करना, चार्ट को बेहतर बनाना और संदर्भ सहायता चित्र।

CogView4, CogView3-Plus और CogView3 (ECCV 2024)।

AI के साथ किसी भी छवि को किसी भी दिशा में सहजता से विस्तारित करें। OpenRouter के माध्यम से Gemini द्वारा संचालित ओपन-सोर्स वेब ऐप, जिसमें पॉइसन-ब्लेंडेड सीम्स और बेस्ट-ऑफ-3 वेरिएंट पिकर शामिल है।

OpenClaw संसाधनों, उपकरणों, कौशलों, ट्यूटोरियल और लेखों की एक क्यूरेटेड सूची। OpenClaw (पूर्व में Moltbot / Clawdbot) — WhatsApp, Telegram, Discord और 50+ एकीकरणों के लिए ओपन-सोर्स सेल्फ-होस्टेड AI एजेंट।

हाल के कुछ कंप्यूटर विज़न (CV) कार्यों की पेपर सूची

[ICLR 2026] लंबी कहानी के विज़ुअलाइज़ेशन के लिए एक ट्रेनिंग-मुक्त इटरेटिव फ्रेमवर्क

🎬 3D इंटरैक्टिव कंट्रोल के माध्यम से किसी भी कैमरा व्यू पॉइंट से इमेज जनरेट करें। 3D स्पेस में कैमरे को ड्रैग करें या एज़िमुथ/एलिवेशन/दूरी सेट करने के लिए स्लाइडर्स का उपयोग करें, फिर जनरेट करें। Three.js + Gradio के साथ निर्मित, द्विभाषी ZH/EN UI।

High-Resolution Virtual Try-On with Misalignment and Occlusion-Handled Conditions (ECCV 2022) पेपर के लिए आधिकारिक PyTorch कार्यान्वयन।

Gemini के लिए लोकल-फर्स्ट AI वर्कफ़्लो वेबUI, जिसमें मल्टीमॉडल चैट, कैनवास, फ़ाइल प्रोसेसिंग, रीयल-टाइम सर्च, कोड निष्पादन और उन्नत तर्क शामिल हैं।

AnyGPT: डिस्क्रीट सीक्वेंस मॉडलिंग के साथ यूनिफाइड मल्टीमॉडल LLM के लिए कोड

Codex के अंदर ओपन-सोर्स AI स्लाइड स्टूडियो: इमेज-नेटिव डेक, हर स्लाइड एक पूर्ण विज़ुअल कैनवास है। 4-5 मिनट में 10+ उच्च-गुणवत्ता वाली स्लाइड तैयार करें — फास्ट मोड हर पेज को समानांतर में रेंडर करता है। पूरी चेन को लाइव देखें: रिसर्च → आउटलाइन → स्टाइल → रेंडर → एडिट → प्रेजेंट → PDF/PPTX एक्सपोर्ट। ब्राउज़र-फर्स्ट, बिना किसी API की के, टिकाऊ प्रोजेक्ट्स।

ओपन-सोर्स SOTA मल्टी-इमेज एडिटिंग मॉडल।

इमेज, वीडियो, ऑडियो, टेक्स्ट, क्रेडिट और मॉडल डिस्कवरी के लिए फ्लैटकी मीडिया जनरेशन CLI।