vision-transformer

Toolbox dan tolok ukur deteksi OpenMMLab.

pix2tex: Menggunakan ViT untuk mengonversi gambar persamaan menjadi kode LaTeX.

Repositori ini berisi demo yang saya buat dengan pustaka Transformers oleh HuggingFace.

[NeurIPS 2024 Best Paper Award][GPT mengalahkan diffusion🔥] [hukum scaling dalam visual generation📈] Implementasi resmi dari "Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction". Basis kode yang *sangat sederhana, ramah pengguna, namun canggih* untuk pembuatan gambar autoregresif!

Ingest, urai, dan optimalkan format data apa pun ➡️ dari dokumen hingga multimedia ➡️ untuk kompatibilitas yang ditingkatkan dengan framework GenAI

SwinIR: Restorasi gambar menggunakan Swin Transformer (repositori resmi)

MLX-VLM adalah paket untuk inferensi dan fine-tuning Vision Language Models (VLM) di Mac menggunakan MLX.

Daftar makalah yang sangat komprehensif mengenai Vision Transformer/Attention, mencakup makalah, kode, dan situs web terkait.

Backbone AI efisien termasuk GhostNet, TNT, dan MLP, dikembangkan oleh Huawei Noah's Ark Lab.

Kotak Alat Pra-pelatihan dan Tolok Ukur OpenMMLab

Plugin visual pertama untuk DeepSeek Harness, dan jembatan visual untuk setiap agen koding teks saja. Tempel gambar, dapatkan bukti JSON terstruktur (OCR, tata letak, semantik).

Scenic: Pustaka Jax untuk penelitian Computer Vision dan seterusnya

Towhee adalah kerangka kerja yang didedikasikan untuk membuat alur kerja pemrosesan data saraf menjadi sederhana dan cepat.

Model fondasi visi yang efisien untuk generasi dan persepsi resolusi tinggi.

InternLM-XComposer2.5-OmniLive: Sistem multimodal komprehensif untuk interaksi video dan audio streaming jangka panjang

EVA Series: Visual Representation Fantasies dari BAAI

[ECCV2024] Video Foundation Models & Data untuk Pemahaman Multimodal

[CVPR 2025] Implementasi Resmi PyTorch dari MambaVision: Tulang Punggung Visi Hibrida Mamba-Transformer

Repositori resmi untuk [NeurIPS'22] "ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation" dan [TPAMI'23] "ViTPose++: Vision Transformer for Generic Body Pose Estimation"

[CVPR 2021] Implementasi resmi PyTorch untuk Transformer Interpretability Beyond Attention Visualization, metode baru untuk memvisualisasikan klasifikasi oleh jaringan berbasis Transformer.

Toolkit serbaguna untuk visi komputer

Ini adalah kumpulan karya NAS dan Vision Transformer kami.

Pelatihan all-in-one untuk model visi (YOLO, ViTs, RT-DETR, DINOv3): pretraining, fine-tuning, distilasi.

[ICLR 2023 Spotlight] Vision Transformer Adapter untuk Prediksi Dense

Daftar terkurasi dari foundation models untuk tugas visi dan bahasa

UNetFormer: Transformer mirip UNet untuk segmentasi semantik yang efisien pada citra pemandangan perkotaan penginderaan jauh, ISPRS. Juga mencakup vision transformer dan CNN lainnya untuk segmentasi citra satelit, udara, dan UAV.

Model representasi umum lintas modalitas visi, audio, dan bahasa. Makalah: ONE-PEACE: Exploring One General Representation Model Toward Unlimited Modalities

[ICML2025] SpargeAttention: Perhatian jarang tanpa pelatihan yang mempercepat inferensi model apa pun.

:fire: :fire: :fire: Daftar makalah dari beberapa karya Computer Vision (CV) terkini

Repositori Vision Transformer dengan Deformable Attention (CVPR2022) dan DAT++: Spatially Dynamic Vision Transformer dengan Deformable Attention