vision-transformer

OpenMMLab Detection ToolboxおよびBenchmark。

pix2tex: ViTを使用して、数式の画像をLaTeXコードに変換

このリポジトリには、HuggingFaceのTransformersライブラリを使用して作成したデモが含まれています。

[NeurIPS 2024 Best Paper Award][GPT beats diffusion🔥] [visual generationにおけるスケーリング則📈] 「Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction」の公式実装。自己回帰型画像生成のための*超シンプルでユーザーフレンドリーながら最先端*のコードベース！

ドキュメントからマルチメディアまで、あらゆるデータ形式を取り込み、解析、最適化し、GenAIフレームワークとの互換性を強化

SwinIR: Swin Transformerを用いた画像復元（公式リポジトリ）

MLX-VLMは、MLXを使用してMac上でVision Language Models (VLMs) の推論とファインチューニングを行うためのパッケージです。

Vision Transformer/Attentionに関する究極的に包括的な論文リスト。論文、コード、関連ウェブサイトを含む。

Huawei Noah's Ark Labによって開発された、GhostNet、TNT、MLPを含む効率的なAIバックボーン

OpenMMLabの事前学習用ツールボックスおよびベンチマーク

DeepSeek Harness 向けの最初のビジョンプラグインであり、すべてのテキスト専用コーディングエージェントのためのビジョンブリッジ。画像を貼り付けるだけで、構造化された JSON のエビデンス（OCR、レイアウト、セマンティクス）を取得できます。

Scenic: コンピュータビジョン研究のためのJaxライブラリおよびそれ以降の用途

Towheeは、ニューラルデータ処理パイプラインをシンプルかつ高速化することに特化したフレームワークです。

高解像度の生成と認識に向けた効率的なビジョン基盤モデル。

InternLM-XComposer2.5-OmniLive：長期的なストリーミング映像と音声のインタラクションを実現する包括的なマルチモーダルシステム。

EVA シリーズ: BAAI による視覚表現の探求

[ECCV2024] マルチモーダル理解のためのビデオ基盤モデルとデータ

[CVPR 2025] MambaVision の公式 PyTorch 実装：ハイブリッド Mamba-Transformer ビジョンバックボーン

[NeurIPS'22] 「ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation」および [TPAMI'23] 「ViTPose++: Vision Transformer for Generic Body Pose Estimation」の公式リポジトリ

[CVPR 2021] Transformerベースのネットワークによる分類を視覚化する新しい手法「Transformer Interpretability Beyond Attention Visualization」の公式PyTorch実装

コンピュータービジョン向けのオールインワンツールキット

NAS および Vision Transformer に関する我々の研究成果のコレクション

ビジョンモデル（YOLO、ViTs、RT-DETR、DINOv3）向けのオールインワン学習：事前学習、ファインチューニング、蒸留。

[ICLR 2023 Spotlight] 密な予測のための Vision Transformer アダプター

ビジョンおよび言語タスク向け基盤モデルのキュレーションリスト

UNetFormer: リモートセンシング都市シーン画像の効率的なセマンティックセグメンテーションのためのUNetライクなトランスフォーマー（ISPRS）。また、衛星、航空、UAV画像セグメンテーション用の他のVision TransformerやCNNも含みます。

ビジョン、オーディオ、言語モダリティを横断する汎用表現モデル。論文：ONE-PEACE: Exploring One General Representation Model Toward Unlimited Modalities

[ICML2025] SpargeAttention: あらゆるモデルの推論を加速する、トレーニング不要のスパースアテンション

:fire: :fire: :fire: 最近の Computer Vision (CV) に関する論文リスト

Deformable Attention を用いた Vision Transformer (CVPR2022) および DAT++: Spatially Dynamic Vision Transformer with Deformable Attention のリポジトリ