计算机视觉

EndoDAC 开源 免费 仅开源

让基础模型秒变内窥镜深度感知专家，无需标注即可用

EndoDAC 是一个面向内窥镜手术场景的自监督深度估计模型，发表于 MICCAI 2024。它解决了基础模型（···

ComfyUI-YoloWorld-EfficientSAM 开源 免费 仅开源

在 ComfyUI 里用一句话圈出物体，自动分割并精准编辑。

这是一个为 ComfyUI 开发的插件，非官方实现了 YOLO-World 与 EfficientSAM 的结合。它主要解决在图···

yolo-ios-app 开源 免费 可打开

把 YOLO 塞进 iPhone，相机一开就能实时识别与分割

yolo-ios-app 是 Ultralytics 官方推出的 iOS 应用与 Swift Package，把 YOLO 系列模型通过 Core M···

ID-Card-Passport-Recognition-Android 开源 可打开

拍证件自动识别真伪，Android 端一站式 eKYC 核验

这是一个面向 Android 平台的证件识别 SDK，主要解决移动端 eKYC（电子身份认证）场景下的证件信息···

ComfyUI-Qwen-VL-API 开源 仅开源

在ComfyUI里直接调用通义千问视觉模型，让图像生成更智能

ComfyUI-Qwen-VL-API 是一个将阿里云通义千问视觉语言模型（Qwen-VL-Plus 和 Qwen-VL-Max）集成到 ···

EscherNet 开源 免费 仅开源

从几张照片生成任意视角新图，3D重建更轻松

EscherNet是一个基于生成模型的视图合成工具，由CVPR 2024作为Oral论文提出。它解决了从少量输入图···

TensorRT-YOLO 开源 免费 仅开源

把 YOLO 模型在 NVIDIA 上跑得又快又省心

TensorRT-YOLO 是一个面向 NVIDIA GPU 的 YOLO 系列模型部署工具包，旨在让 YOLO 的推理部署更简单···

latent-diffusion-segmentation 开源 免费 仅开源

用扩散模型做开放世界分割，一句话就能分割并修复图像

这是一个基于潜在扩散模型（Latent Diffusion）的开放世界全景分割与掩码修复工具，来自ECCV 2024论···

osam 开源 免费 仅开源

本地一键运行多种SAM分割模型，快速验证提示视觉能力

osam 是一个本地运行提示型视觉模型的工具，支持 SAM1、SAM2、SAM3、EfficientSAM、YOLO-World 等模···

Hands-On-Learning-in-Computer-Vision 开源 免费 仅开源

打开 Notebook 就能跑，边做边学计算机视觉

这是一个以 Jupyter Notebook 形式组织的计算机视觉动手学习项目，把从图像基础操作到深度学习模型···

surya 开源 免费+付费 可打开

多语言文档一键 OCR，版面表格阅读顺序全搞定

Surya 是一个面向文档智能的开源工具包，核心解决多语言文档的 OCR 与结构化理解问题。它不仅能做传···

ocean 开源 免费 仅开源

Meta 出品的跨平台 CV/AR 框架，一套 C++ 代码跑多端视觉应用

Ocean 是 Meta 内部开源的计算机视觉与增强现实应用框架，主要用 C/C++ 实现，强调平台无关性。它把···

ocrs 开源 免费 仅开源

Rust 原生 OCR，图片转文字，部署零依赖

ocrs 是一个用 Rust 编写的 OCR 库和命令行工具，目标是从图片中提取文字。它把机器学习模型推理封···

Construction-Hazard-Detection 开源 不稳定

YOLO+聚类自动圈出工地危险区，实时告警

Construction-Hazard-Detection 是一个面向建筑工地安全的开源计算机视觉项目。它基于 YOLO 目标检···

amodal 开源 免费 仅开源

看穿遮挡，AI补全物体被遮住的完整模样

Amodal是CVPR 2024 Highlight论文《Amodal Completion via Progressive Mixed Context Diffusion》···

ArXiv_CV_Papers_Daily 开源 免费 仅开源

每天自动汇总 arXiv 最新 CV 论文，省去手动翻页

这是一个自动抓取 arXiv 上最新计算机视觉论文的每日订阅工具，用 Python 编写。它解决的是 CV 研究···

pix2gestalt 开源 可打开

从部分可见图像，零样本补全出完整物体形状

pix2gestalt 是 CVPR 2024 论文的开源代码，专注于模态补全（amodal completion）任务，即从部分可···

ZeroShape 开源 免费 仅开源

单张图片，零样本重建三维形状，无需额外训练

ZeroShape是一个基于回归的零样本三维形状重建项目，旨在从单张图像直接恢复物体的三维几何结构。它···

Atlantis 开源 免费 仅开源

用扩散模型给水下图像补深度，无需真实标注也能测距

Atlantis 是 CVPR2024 Highlight 论文的官方开源实现，聚焦水下场景的单目深度估计。水下图像普遍存···

CLOUDS 开源 免费 仅开源

多模型协作，让语义分割在陌生场景下依然稳准狠

CLOUDS 是 CVPR 2024 收录的官方实现，针对域泛化语义分割任务，提出协作基础模型框架。它解决单一···

tokenize-anything 开源 免费 仅开源

一个模型，提示任意视觉概念，统一分割与识别

Tokenize Anything via Prompting 是一个来自 ECCV 2024 的视觉模型，旨在通过统一的提示框架将任意···

GenHowTo 开源 免费 仅开源

从教学视频学习动作生成，让 AI 看懂操作步骤

GenHowTo 是 CVPR 2024 论文的官方代码实现，专注于从教学视频中学习生成动作和状态转换。它解决的···

SIFU 开源 免费 仅开源

单张照片秒变3D人体，侧视补全细节，动画直接可用

SIFU是CVPR 2024 Highlight论文的官方实现，专注于从单张RGB图像重建穿着衣服的3D人体模型。它解决···

fm-boosting 开源 免费 可打开

用流匹配加速扩散模型，生成更快更清晰的图像

FMBoost 是一个基于流匹配（Flow Matching）的潜在扩散模型加速与增强工具，源自 ECCV 2024 Oral 论···