vision-transformer

Bộ công cụ và điểm chuẩn phát hiện OpenMMLab

pix2tex: Sử dụng ViT để chuyển đổi hình ảnh phương trình thành mã LaTeX.

Kho lưu trữ này chứa các bản demo tôi đã tạo bằng thư viện Transformers của HuggingFace.

[Giải Thưởng Bài Báo Xuất Sắc Nhất NeurIPS 2024][GPT vượt trội hơn diffusion🔥] [Định luật quy mô trong tạo ảnh thị giác📈] Bản cài đặt chính thức của "Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction". Một mã nguồn *cực kỳ đơn giản, thân thiện với người dùng nhưng đạt chuẩn tối tân* để tạo ảnh tự hồi quy!

Thu thập, phân tích cú pháp và tối ưu hóa mọi định dạng dữ liệu ➡️ từ tài liệu đến đa phương tiện ➡️ để nâng cao khả năng tương thích với các framework GenAI

SwinIR: Phục hồi hình ảnh sử dụng Swin Transformer (repository chính thức)

MLX-VLM là một gói để suy luận và tinh chỉnh các Mô hình Ngôn ngữ Thị giác (VLM) trên Mac sử dụng MLX.

Danh sách tài liệu nghiên cứu cực kỳ toàn diện về Vision Transformer/Attention, bao gồm các bài báo, mã nguồn và các trang web liên quan

Các AI backbone hiệu quả bao gồm GhostNet, TNT và MLP, được phát triển bởi Phòng thí nghiệm Noah's Ark của Huawei.

Bộ công cụ huấn luyện trước và tiêu chuẩn đánh giá của OpenMMLab

Plugin thị giác đầu tiên cho DeepSeek Harness, và cầu nối thị giác cho mọi coding agent chỉ hỗ trợ văn bản. Dán hình ảnh, nhận dữ liệu JSON có cấu trúc (OCR, bố cục, ngữ nghĩa).

Scenic: Thư viện Jax dành cho nghiên cứu thị giác máy tính và hơn thế nữa

Towhee là một framework chuyên dụng giúp các đường ống xử lý dữ liệu thần kinh trở nên đơn giản và nhanh chóng.

Các mô hình nền tảng thị giác hiệu quả dành cho việc tạo và nhận diện độ phân giải cao

InternLM-XComposer2.5-OmniLive: Hệ thống đa phương thức toàn diện cho tương tác video và âm thanh phát streaming thời gian dài

Dòng EVA: Hình ảnh biểu diễn tưởng tượng từ BAAI

[ECCV2024] Video Foundation Models & Data dành cho thấu hiểu đa phương thức

[CVPR 2025] Triển khai PyTorch chính thức của MambaVision: Một xương sống tầm nhìn Mamba-Transformer lai

Kho lưu trữ chính thức cho [NeurIPS'22] "ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation" và [TPAMI'23] "ViTPose++: Vision Transformer for Generic Body Pose Estimation"

[CVPR 2021] Bản triển khai chính thức trên PyTorch cho Transformer Interpretability Beyond Attention Visualization, một phương pháp mới để trực quan hóa việc phân loại bởi các mạng dựa trên Transformer.

Một bộ công cụ tất cả trong một dành cho thị giác máy tính

Đây là bộ sưu tập các công trình về NAS và Vision Transformer của chúng tôi.

Huấn luyện tất cả trong một cho các mô hình thị giác (YOLO, ViTs, RT-DETR, DINOv3): tiền huấn luyện, tinh chỉnh, chưng cất.

[ICLR 2023 Spotlight] Vision Transformer Adapter cho dự đoán dày đặc (Dense Predictions)

Danh sách tổng hợp các mô hình nền tảng cho các tác vụ thị giác máy tính và ngôn ngữ

UNetFormer: Một transformer kiểu UNet để phân đoạn ngữ nghĩa hiệu quả hình ảnh cảnh quan đô thị viễn thám, ISPRS. Ngoài ra, bao gồm các vision transformer và CNN khác cho việc phân đoạn hình ảnh vệ tinh, hình ảnh trên không và hình ảnh UAV.

Mô hình biểu diễn tổng quát cho các phương thức thị giác, âm thanh và ngôn ngữ. Bài báo: ONE-PEACE: Exploring One General Representation Model Toward Unlimited Modalities

[ICML2025] SpargeAttention: Cơ chế chú ý thưa thớt không cần huấn luyện giúp tăng tốc suy luận của mọi mô hình.

:fire: :fire: :fire: Danh sách bài báo về một số công trình Thị giác Máy tính (CV) gần đây

Kho lưu trữ Vision Transformer với Deformable Attention (CVPR2022) và DAT++: Spatially Dynamic Vision Transformer với Deformable Attention