image-captioning

LAVIS - 一站式语言视觉智能库

Keras 模型用于从手绘网站模型生成 HTML 代码。实现了图像标题架构以处理绘制的源图像。

InternGPT (iGPT) 是一个开源演示平台，您可以轻松展示 AI 模型。现在支持 DragGAN、ChatGPT、ImageBind、多模态聊天如 GPT-4、SAM、互动图像编辑等。试试 igpt.opengvlab.com（支持 DragGAN、ChatGPT、ImageBind、SAM 的线上 Demo 系统）

OFA (ICML 2022) 官方仓库。论文：OFA: Unifying Architectures, Tasks, and Modalities Through a Simple Sequence-to-Sequence Learning Framework

简单的 Swift 类，提供在应用程序中创建自定义相机视图所需的所有设置

图像数据集的标签管理器与说明文字生成器

“Prismer: A Vision-Language Model with Multi-Task Experts”的实现。

:fire: :fire: :fire: 近期计算机视觉 (CV) 相关论文列表

结合 LLM、ASR、TTS、OCR、CV 等技术的 AI VTuber，可与你直播或游玩 Minecraft。

👁️ + 💬 + 🎧 = 🤖 精选顶级基础与多模态模型列表！[论文 + 代码 + 示例 + 教程]

用于视觉语言模型的 ComfyUI 节点：Qwen3-VL、Moondream 3、Florence-2、SmolVLM2、InternVL、Gemma 3、MiniCPM-V。另支持开放词汇检测、SAM2/SAM3 分割、视频时序推理、通过 llama.cpp 的 GGUF 以及托管式 LLM/VLM API。

[CVPR 2021] VirTex：从文本注释中学习视觉表征。