vision-transformer

OpenMMLab 偵測工具箱與基準測試

pix2tex：使用 ViT 將方程式圖片轉換為 LaTeX 代碼

此倉庫包含我使用 HuggingFace 的 Transformers 庫製作的示例。

[NeurIPS 2024 最佳論文獎][GPT 打敗 diffusion🔥] [視覺生成的 scaling laws📈] 官方實作「Visual Autoregressive Modeling: Scalable Image Generation via Next-Scale Prediction」——一個*超簡單、使用者友好且達到最先進水平*的自回歸影像生成程式碼庫

擷取、解析並優化任何資料格式 ➡️ 從文件到多媒體 ➡️ 提升與 GenAI 框架的相容性

SwinIR：使用 Swin Transformer 的影像復原（官方倉庫）。

MLX-VLM 是一個在 Mac 上使用 MLX 進行 Vision Language Models (VLMs) 推理與微調的套件

一份全面的 Vision Transformer/Attention 論文清單，包含論文、程式碼與相關網站

高效 AI 主幹網絡，包括 GhostNet、TNT 與 MLP，由華為 Noah's Ark Lab 開發。

OpenMMLab 預訓練工具箱與基準測試

DeepSeek Harness 的第一個視覺插件，以及每個純文字編碼代理的視覺橋接。粘貼圖片，即可獲得結構化 JSON 證據（OCR、版面、語義）。 | 全網最強 DeepSeek Harness 外掛視覺插件，為 DeepSeek、GLM 等純文本模型外掛視覺能力，粘貼圖片即得結構化 JSON 證據（OCR、版面、語義）。

Scenic：一個用於電腦視覺研究及更廣泛應用的Jax庫

Towhee 是一个致力于简化神经数据处理流水线的框架

高效的視覺基礎模型，用於高解析度生成與感知。

InternLM-XComposer2.5-OmniLive：一個全面的多模態系統，用於長期串流視頻與音頻互動

EVA 系列：來自 BAAI 的視覺表示幻想

[ECCV2024] 用於多模態理解的影片基礎模型與資料

[CVPR 2025] MambaVision 官方 PyTorch 實作：混合 Mamba-Transformer 視覺骨幹網路

[NeurIPS'22]「ViTPose: Simple Vision Transformer Baselines for Human Pose Estimation」與 [TPAMI'23]「ViTPose++: Vision Transformer for Generic Body Pose Estimation」的官方儲存庫

[CVPR 2021] Transformer 專案超越注意力視覺化的官方 PyTorch 實作，這是一種基於 Transformer 網路將分類視覺化的新穎方法。

一個全方位的電腦視覺工具包

這是我們關於 NAS 與 Vision Transformer 工作的集合。

視覺模型的全方位訓練（YOLO、ViTs、RT-DETR、DINOv3）：預訓練、微調、蒸餾。

[ICLR 2023 Spotlight] 用於密集預測的 Vision Transformer Adapter

精選的視覺與語言任務基礎模型清單

UNetFormer：用於遙感城市場景影像高效語意分割的類 UNet transformer，ISPRS。同時包含用於衛星、航空影像及無人機影像分割的其他視覺 transformer 與 CNN。

跨視覺、音訊、語言模態的通用表示模型。論文：ONE-PEACE: Exploring One General Representation Model Toward Unlimited Modalities

[ICML2025] SpargeAttention：一種無需訓練的稀疏注意力機制，可加速任何模型的推論。

:fire: :fire: :fire: 近期電腦視覺 (CV) 相關論文清單

基於 PyTorch 的 SOTA 語意分割模型