vision-transformer

OpenMMLab 检测工具箱与基准测试

pix2tex：使用 ViT 将方程式图片转换为 LaTeX 代码

此仓库包含我使用 HuggingFace 的 Transformers 库制作的示例。

[NeurIPS 2024 最佳论文奖][GPT 打败 diffusion🔥] [视觉生成的 scaling laws📈] 官方实现“Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction”——一个*超简洁、用户友好且达到最先进水平*的自回归图像生成代码库

获取、解析并优化任何数据格式 ➡️ 从文档到多媒体 ➡️ 提升与 GenAI 框架的兼容性

SwinIR：使用 Swin Transformer 的图像恢复（官方仓库）。

MLX-VLM 是一个在 Mac 上使用 MLX 进行 Vision Language Models (VLMs) 推理与微调的套件

一份全面的 Vision Transformer/Attention 论文清单，包含论文、代码与相关网站

高效 AI 主干网络，包括 GhostNet、TNT 与 MLP，由华为 Noah's Ark Lab 开发。

OpenMMLab 预训练工具箱与基准测试

DeepSeek Harness 的第一个视觉插件，以及每个纯文字编码代理的视觉桥接。粘贴图片，即可获得结构化 JSON 证据（OCR、版面、语义）。 | 全网最强 DeepSeek Harness 外挂视觉插件，为 DeepSeek、GLM 等纯文本模型外挂视觉能力，粘贴图片即得结构化 JSON 证据（OCR、版面、语义）。

Scenic：一个用于计算机视觉研究及更广泛应用的Jax库

Towhee 是一个致力于简化神经数据处理流水线的框架

高效的视觉基础模型，用于高分辨率生成与感知。

InternLM-XComposer2.5-OmniLive：一个全面的多模态系统，用于长期串流视频与音频互动

EVA 系列：来自 BAAI 的视觉表示幻想

[ECCV2024] 用于多模态理解的视频基础模型与数据

[CVPR 2025] MambaVision 官方 PyTorch 实现：混合 Mamba-Transformer 视觉骨干网络

[NeurIPS'22]“ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation”与 [TPAMI'23]“ViTPose++: Vision Transformer for Generic Body Pose Estimation”的官方代码库

[CVPR 2021] Transformer 解释超越注意力可视化的官方 PyTorch 实现，这是一种基于 Transformer 网络将分类可视化的新颖方法。

一个全方位的计算机视觉工具包

这是我们关于 NAS 与 Vision Transformer 工作的集合。

视觉模型的一站式训练（YOLO、ViTs、RT-DETR、DINOv3）：预训练、微调、蒸馏。

[ICLR 2023 Spotlight] 用于密集预测的 Vision Transformer Adapter

精选的视觉与语言任务基础模型清单

UNetFormer：用于遥感城市场景影像高效语义分割的类 UNet transformer，ISPRS。同时包含用于卫星、航空影像及无人机影像分割的其他视觉 transformer 与 CNN。

跨视觉、音频、语言模态的通用表示模型。论文：ONE-PEACE: Exploring One General Representation Model Toward Unlimited Modalities

[ICML2025] SpargeAttention：一种无需训练的稀疏注意力机制，可加速任何模型的推理。

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

带有可变形注意力的 Vision Transformer（CVPR2022）与 DAT++ 存储库：具备可变形注意力的空间动态 Vision Transformer