计算机视觉

RapidOcrNet 开源 免费 仅开源

C# 跨平台离线 OCR，加载 PaddleOCR ONNX 模型直接识别文字

RapidOcrNet 是一个基于 C# 的跨平台 OCR 处理库，底层复用 RapidAI 的 RapidOCR 方案，并加载 Pad···

AnomalyDINO 开源 免费 仅开源

用少量正常样本，精准揪出图像中的异常区域

AnomalyDINO 是一个基于 DINOv2 的少样本异常检测开源模型，发表于 WACV2025。它针对工业质检中标注···

ImageIndexer 开源 免费 仅开源

本地跑大模型，自动给图片打标签，搜图快人一步

ImageIndexer 是一个本地优先的图像索引与标注工具，用 Python 编写。它解决的是个人或小团队海量图···

FiT3D 开源 免费 仅开源

给二维视觉模型装上三维感知，微调后特征更懂空间结构

FiT3D 是一个针对二维基础模型（如 DINOv2、MAE 等）进行三维感知微调的开源框架，其研究成果发表于···

photoprism-vision 开源 免费 仅开源

快速搭建视觉实验环境，验证模型效果不费劲

photoprism-vision 是一个计算机视觉实验场，基于 Python 构建，旨在为开发者提供一个快速测试和验···

YoChameleon 开源 免费 仅开源

上传一张照片，生成你主演的各种场景图

YoChameleon 是一个 CVPR 2025 开源项目，旨在实现个性化图像生成中的身份保持与编辑。它解决的是在···

DTrOCR 开源 免费 仅开源

用纯解码器 Transformer 直接生成文字，简化 OCR 识别流程

DTrOCR 是论文《DTrOCR: Decoder-only Transformer for Optical Character Recognition》的 PyTorc···

VSLAM-LAB 开源 免费 仅开源

一条命令跑通多种 VSLAM 算法与数据集对比

VSLAM-LAB 是一个面向视觉 SLAM（VSLAM）研究的综合性开源框架，目标是统一管理各类 VSLAM 系统与数···

genima 开源 免费 仅开源

用扩散模型教机器人从演示中学会精细操作

GENIMA 是一个基于扩散模型的机器人操作学习框架，核心思路是通过行为克隆（Behavioral Cloning）和···

florence-2-cookbook 开源 免费 仅开源

照着 Notebook 跑通 Florence-2 推理、自动标注与微调

florence-2-cookbook 是围绕微软 Florence-2 视觉语言模型的非官方实战手册，以 Jupyter Notebook ···

Autoregressive-Models-in-Vision-Surv··· 开源 免费 仅开源

看这一篇，搞懂视觉自回归模型全貌

这是一份关于视觉自回归模型（AR models）的综述论文项目，发表于TMLR 2025。它系统梳理了自回归模···

Lexicon3D 开源 免费 仅开源

测出视觉模型对三维世界的真实理解力

Lexicon3D 是一个面向复杂三维场景理解的开源评测框架，发表于 NeurIPS 2024。它系统性地探究了视觉···

RGBT-Tiny 开源 免费 仅开源

双模态小目标检测基准，直接跑通基线对比

RGBT-Tiny 是论文《Visible-Thermal Tiny Object Detection: A Benchmark Dataset and Baselines》···

FungalLight 开源 免费 仅开源

用 Rust 模拟真菌生长，生成有机形态与光影艺术

FungalLight 是一个基于 Rust 和 Bevy 引擎的真菌形态模拟项目，专注于图形生成、人工生命和动态光···

npq-vit 开源 免费 仅开源

用球面量化替换传统VQ，让视觉tokenizer码本更省更准

npq-vit 是面向视觉 tokenizer 的球面量化研究代码库，包含 ICLR 2025 的 Binary Spherical Quanti···

MambaVision 开源 免费 仅开源

混合Mamba与Transformer，让视觉模型在高分辨率下又快又准

MambaVision是CVPR 2025官方发布的PyTorch实现，提出了一种混合Mamba-Transformer视觉骨干网络。它···

Mamba-YOLO 开源 免费 仅开源

用 Mamba 替 YOLO 主干，精度更高算力更省

Mamba-YOLO 是论文《Mamba-YOLO: SSMs-based for Object Detection》的官方 PyTorch 实现，把状态空···

wgai 开源 已失效

Java 离线 AI 识别平台，图片视频 OCR 开箱即用

wgai 是一个基于 Java 的开源 AI 识别平台，主打开箱即用，把图片识别、视频识别、语音识别和 OCR ···

OpenOCR 开源 免费 仅开源

一套框架搞定 OCR 训练、评测与文档解析落地

OpenOCR 是面向通用 OCR 研究与应用的统一开源工具箱，由国内团队维护。它把 OCR 训练、评测、推理···

Exp-CLIP 开源 免费 仅开源

用LLM知识让CLIP看懂表情，零样本识别更准

Exp-CLIP 是一个面向零样本面部表情识别（FER）的开源模型，发表于 WACV 2025 Oral。它针对传统 CL···

PerCo 开源 免费 仅开源

超低码率下用扩散模型生成真实感图像，压缩不失真

PerCo 是一个基于 PyTorch 的开源图像压缩工具，对应 ICLR 2024 论文《Towards Image Compression ···

DiffCut 开源 免费 可打开

无需标注，用扩散模型特征实现零样本图像分割

DiffCut 是一个基于扩散模型的无监督零样本语义分割工具，其核心创新在于结合 Stable Diffusion 的···

Awesome-Multimodal-Object-Tracking 开源 免费 仅开源

一页看全多模态单目标跟踪论文与数据集

这是一个持续更新的多模态目标跟踪（Multimodal Object Tracking）资源汇总项目，聚焦单目标跟踪任···

SPVD 开源 免费 仅开源

用稀疏点体素扩散，高效生成高精度3D点云

SPVD 是一个基于稀疏点体素扩散模型的高效可扩展点云生成框架。它针对现有扩散模型在大规模点云生成···