vision-transformer

Caixa de ferramentas e benchmark de detecção do OpenMMLab

pix2tex: Usando um ViT para converter imagens de equações em código LaTeX.

Este repositório contém demonstrações que criei com a biblioteca Transformers da HuggingFace.

[Prêmio de Melhor Artigo NeurIPS 2024][GPT supera diffusion🔥] [leis de escala em geração visual📈] Implementação oficial de "Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction". Uma base de código ultra-simples, amigável e de última geração para geração de imagens autorregressivas!

Colete, analise e otimize qualquer formato de dados ➡️ de documentos a multimídia ➡️ para maior compatibilidade com frameworks de GenAI

SwinIR: Restauração de imagem usando Swin Transformer (repositório oficial)

MLX-VLM é um pacote para inferência e ajuste fino de Vision Language Models (VLMs) no seu Mac usando MLX.

Uma lista de artigos extremamente abrangente sobre Vision Transformer/Attention, incluindo artigos, códigos e sites relacionados

Backbones de IA eficientes, incluindo GhostNet, TNT e MLP, desenvolvidos pelo Huawei Noah's Ark Lab.

Caixa de ferramentas e benchmark de pré-treinamento da OpenMMLab

O primeiro plugin de visão para o DeepSeek Harness e a ponte visual para qualquer agente de codificação baseado em texto. Cole uma imagem e obtenha evidências JSON estruturadas (OCR, layout, semântica).

Scenic: Uma biblioteca Jax para pesquisa em visão computacional e além

Towhee é um framework dedicado a tornar os pipelines de processamento de dados neurais simples e rápidos.

Modelos fundamentais de visão eficientes para geração e percepção de alta resolução.

InternLM-XComposer2.5-OmniLive: Um sistema multimodal abrangente para interações de vídeo e áudio em streaming de longa duração

Série EVA: Fantasias de Representação Visual da BAAI

[ECCV2024] Modelos de fundação de vídeo e dados para compreensão multimodal

[CVPR 2025] Implementação oficial em PyTorch do MambaVision: Um backbone de visão híbrido Mamba-Transformer

Repositório oficial para [NeurIPS'22] "ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation" e [TPAMI'23] "ViTPose++: Vision Transformer for Generic Body Pose Estimation"

[CVPR 2021] Implementação oficial em PyTorch para Transformer Interpretability Beyond Attention Visualization, um novo método para visualizar classificações por redes baseadas em Transformer.

Um kit de ferramentas completo para visão computacional

Esta é uma coleção dos nossos trabalhos em NAS e Vision Transformer.

Treinamento tudo-em-um para modelos de visão (YOLO, ViTs, RT-DETR, DINOv3): pré-treinamento, ajuste fino e destilação.

[ICLR 2023 Spotlight] Adaptador de Vision Transformer para predições densas

Uma lista curada de modelos de fundação para tarefas de visão e linguagem.

UNetFormer: Um transformer semelhante ao UNet para segmentação semântica eficiente de imagens de cenas urbanas de sensoriamento remoto, ISPRS. Inclui também outros vision transformers e CNNs para segmentação de imagens de satélite, aéreas e de UAV.

Um modelo de representação geral para modalidades de visão, áudio e linguagem. Artigo: ONE-PEACE: Exploring One General Representation Model Toward Unlimited Modalities

[ICML2025] SpargeAttention: Uma atenção esparsa livre de treinamento que acelera a inferência de qualquer modelo.

Lista de artigos de trabalhos recentes em Visão Computacional (CV)

Repositório do Vision Transformer com Deformable Attention (CVPR2022) e DAT++: Vision Transformer espacialmente dinâmico com Deformable Attention