vit

pix2tex: ViTを使用して、数式の画像をLaTeXコードに変換

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。

大規模マルチモーダルモデル (LMMs) のオープンソース評価ツールキット。220以上のLMM、80以上のベンチマークをサポート。

[ICLR2025, ICML2025, NeurIPS2025 Spotlight] 量子化アテンションにより、言語、画像、動画モデルのエンドツーエンドの指標を落とすことなく、FlashAttentionと比較して2〜5倍の高速化を実現

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。

あらゆるコンピューターやエッジデバイスを、コンピュータビジョンプロジェクトのコマンドセンターに変える

[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

近年の Transformer ベースの CV 研究を集めた論文リスト

[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

Adan: 深層学習モデルの高速化を実現する適応型Nesterovモメンタムアルゴリズム

複数の GPU を使用して生動画から動画の特徴量を抽出します。RAFT フローフレーム、S3D、I3D、R(2+1)D、VGGish、CLIP、TIMM モデルをサポートしています。

[CVPR 2025 Highlight] Encoder-only Mask Transformer (EoMT) の公式コードとモデル