计算机视觉

ocr-vqgan 开源

让AI生成的论文图表文字清晰可读

OCR-VQGAN 是一个面向论文图表（figure images）的离散图像编码器，包含 tokenizer 和 detokenizer···

OnnxTR 开源

用 ONNX 跑 docTR OCR，不装 PyTorch 也能识别文档文字

OnnxTR 是 docTR 文档文本识别库的 ONNX 推理管线封装，目标是在不依赖深度学习训练框架的前提下提···

tapnet 开源

在视频里盯住任意一个点，遮挡变形也不丢

TapNet 是 DeepMind 开源的「追踪任意点」（Tracking Any Point, TAP）基准与算法实现，目标是在视···

ModelAssistant 开源

从训练到部署，让嵌入式设备跑上视觉 AI

ModelAssistant 是矽递科技（Seeed Studio）推出的开源嵌入式 AI 工具链，属于 SenseCraft 生态的一···

CShade 开源

给 ReShade 装上 AI 引擎，实时提升游戏和视频画质

CShade 是一组专为 ReShade 设计的图像与视频处理着色器集合，使用 HLSL 编写，旨在为游戏和视频画···

FrozenBiLM 开源

冻结语言模型，零样本看懂视频回答问题

FrozenBiLM 是一个用于零样本视频问答（VideoQA）的开源模型，来自 NeurIPS 2022 论文。它解决的是···

FernRPExample 开源

在Unity里用Stable Diffusion生成贴图，直接驱动NPR/PBR渲染

FernRPExample 是 FernRP 包在 Unity 中的示例实现，专注于将 AI 图像生成（如 Stable Diffusion）···

ultralytics 开源

几行代码搞定目标检测，训练部署一条龙

Ultralytics 是计算机视觉领域最流行的开源工具包，提供 YOLO 系列目标检测模型（包括 YOLOv8、YOL···

Pix2Text 开源

图片直接转 Markdown，公式表格全搞定，免费替代 Mathpix

Pix2Text 是一个开源的 Python3 工具，旨在将图片中的版面、表格、数学公式和文字识别并转换为 Mar···

semantic-segmentation-ml-pipeline 开源

用TFX+GCP一键搭建语义分割生产级流水线

这是一个基于TensorFlow Extended (TFX)和Google Cloud Platform (GCP)产品的语义分割机器学习流水···

VideoPipe 开源

拖拽式搭建视频分析流水线，快速落地 CV+大模型应用

VideoPipe 是一个基于计算机视觉模型和多模态大语言模型（mLLM）的跨平台视频结构化分析框架。它解···

CV-CUDA 开源

GPU 批量跑图像预处理，云端视觉吞吐翻倍

CV-CUDA 是字节跳动与英伟达联合开源、面向云规模图像处理与计算机视觉的 GPU 加速库。它针对传统 ···

yolov7-object-tracking 开源

几行命令跑通 YOLOv7 检测加 SORT 跟踪，视频里目标自动带 ID

这是一个把 YOLOv7 目标检测与 SORT 跟踪算法结合起来的开源示例项目，使用 PyTorch 做模型推理、O···

BiRefNet 开源

高分辨率图像一键精准抠图，细节不丢失

BiRefNet 是一个用于高分辨率二分图像分割（Dichotomous Image Segmentation, DIS）的深度学习模型···

particle-life 开源

拖拽调参，让粒子自己长成生命图案

particle-life 是一个用 HTML/JavaScript 实现的粒子生命模拟器，通过定义粒子之间的吸引/排斥力规···

Remote-Sensing-RVSA 开源

让通用ViT适配遥感图像，多方向多尺度目标识别更准

Remote-Sensing-RVSA 是遥感领域的基础模型开源项目，对应 TGRS'22 论文《Advancing Plain Vision ···

fsdl-text-recognizer-2022-labs 开源

跟着课程撸一个能跑的文本识别全流程项目

这是一个完整的深度学习项目，源自 Full Stack Deep Learning 2022 课程的实验代码，用于构建文本识···

Awesome-ECCV2022-Low-Level-Vision 开源

速查ECCV 2022低层视觉论文代码，跟上前沿。

这是一个汇集ECCV 2022会议中低层视觉方向论文与代码的精选列表，覆盖图像恢复、增强、去模糊、去噪···

Wis3D 开源

浏览器里直接看3D点云和相机位姿，免装软件

Wis3D 是一个基于网页的 3D 可视化工具，面向 3D 计算机视觉研究与开发场景。它解决的核心问题是：···

stitching 开源

多张照片一键拼成全景图，快且稳

stitching 是一个基于 Python 的图像拼接工具包，底层依赖 OpenCV，目标是让全景图生成变得又快又稳···

Savant 开源

用 YAML 搭视频 AI 流水线，少写代码多跑流

Savant 是一个基于 Python 的计算机视觉与视频分析框架，构建在 NVIDIA DeepStream 和 CUDA 之上，···

BCI 开源

用 GAN 一键把 H&E 病理图转成 IHC 图，省时省钱

BCI 是一个基于 Pyramid Pix2pix 的乳腺癌免疫组化（IHC）图像生成工具，旨在通过生成对抗网络（GA···

x-unet 开源

用最新注意力机制升级 U-Net，提升图像生成与分割效果

x-unet 是一个基于 PyTorch 的 U-Net 图像生成与分割实现，旨在整合高效的注意力机制和最新的研究成···

GLAMR 开源

动态相机下，遮挡也能精准重建3D人体

GLAMR是CVPR 2022 Oral论文的官方PyTorch实现，专注于动态相机下的全局遮挡感知人体网格恢复。它解···