计算机视觉

face-emotion-recognition 开源

摄像头前做表情，AI陪你聊情绪

这是一个基于轻量级CNN的实时人脸表情识别系统，结合OpenCV进行摄像头推理，并集成GroqCloud提供聊···

Falcon-Perception 开源

原生多模态模型推理，看图识文一步到位

Falcon-Perception 是 Falcon 系列多模态模型的推理仓库，包含 Falcon-Perception 与 Falcon-OCR 两···

LIGHT 开源

无需分类器，轻松生成自然的人-物交互3D动画

LIGHT 是一个面向数字人3D动画的开源项目，专注于人体-物体交互（HOI）动画生成。它提出了一种无需···

Graph-CAD 开源

用自然语言直接生成 CAD 模型，几何感知更精准

Graph-CAD 是一个面向文本到 CAD 建模任务的开源项目，旨在通过学习层级化且几何感知的图表示来提升···

MagicBokeh 开源

一键生成高倍变焦电影级散景，告别生硬抠图

MagicBokeh 是一个专为高倍变焦场景设计的端到端散景渲染开源项目，由 CVPR 2026 Oral 提名并入围最···

TurboOCR 开源

每秒200+张图，TensorRT加速的OCR服务，开箱即用。

TurboOCR 是一个基于 C++ 实现的高性能 OCR 服务，专为追求极致吞吐量的场景设计。它集成了百度飞桨···

HandX 开源

让数字人双手协作，生成自然交互动作

HandX 是一个面向双手（双人）运动与交互生成的开源项目，发表于 CVPR 2026。它解决的是现有数字人···

MonoArt 开源

从单张照片，逐步推理出带关节的3D模型

MonoArt 是论文“MonoArt: Progressive Structural Reasoning for Monocular Articulated 3D Recon···

DART 开源

用前沿模型实时检测视频里的任何目标

DART 是一个基于前沿目标检测模型的实时检测工具，用 Python 实现，核心目标是把高性能检测模型落地···

paddleocr-local 开源

本地把 PDF/Office 转 Markdown，五种 OCR 模型随你换

paddleocr-local 是一个本地优先的文档解析工作台，把 PDF、Office 等格式的文件转换成 Markdown，···

modlens 开源

给纯文本编码代理装上眼睛，粘贴图片即刻获得结构化视觉证据。

modlens 是首个为 DeepSeek Harness 打造的视觉插件，旨在为纯文本编码代理（如 DeepSeek、GLM 等）···

noai-watermark 开源

一键去除 AI 隐形水印，清理生成痕迹

noai-watermark 是一个开源的 Python 命令行工具，用于移除图像中的隐形 AI 水印（如 SynthID、Sta···

OccAny 开源

让3D占用预测适配任意城市，开箱即用

OccAny 是一个面向城市级 3D 占用预测的统一框架，旨在解决传统模型在多样化和非受限城市场景中泛化···

oximedia 开源

用纯 Rust 一站式搞定音视频与视觉处理，安全无专利负担

OxiMedia 是一个用纯 Rust 编写的开源多媒体处理框架，目标是重建 FFmpeg 与 OpenCV 的能力并统一到···

AWESOME-OCR-LLM 开源

一张清单看懂大模型时代 OCR 怎么选

AWESOME-OCR-LLM 是一个聚焦“大语言模型时代的 OCR”的开源资源集合，系统整理了将 LLM 与多模态大···

liteparse 开源

秒级解析 PDF 和扫描件，提取文本数据，开源免费。

liteparse 是一个用 Rust 编写的高性能开源文档解析器，专注于从 PDF、扫描件和图片中快速提取文本···

PAct 开源

一张照片，生成可活动的3D关节模型

PAct 是一个面向单张图像的三维关节物体生成项目，被 SIGGRAPH Asia 2026 条件接收。它解决的是从单···

CC-Pan 开源

用扩散模型高效融合遥感图像，全色锐化又快又准

CC-Pan 是论文《CC-Pan: Channel-wise Compression based Diffusion for Efficient Pan-Sharpening···

AdaRefSR 开源

一张参考图，单步扩散，超分又快又真

AdaRefSR 是一个基于参考图像的单步扩散超分辨率框架，论文已被 ICLR2026 接收。它解决传统参考超分···

AnomalyVFM 开源

零样本异常检测，无需训练直接部署

AnomalyVFM 是一个面向工业视觉异常检测的零样本检测框架，发表于 CVPR 2026。它旨在解决传统异常检···

fashn-vton-1.5 开源

上传衣服和照片，秒出试穿效果，无需手动抠图

FASHN VTON v1.5 是一个基于扩散模型的虚拟试穿（Virtual Try-On）开源项目，专注于在像素空间实现···

RotoAI 开源

用一句话描述视频中的物体，自动完成逐帧分割抠像。

RotoAI 是一个开源的视频分割工作室，专注于提示词驱动的视频分割（rotoscoping）任务。它结合了 S···

jietuba 开源

Windows 截图后长截图、OCR、翻译、录屏一站搞定

jietuba 是一款面向 Windows 平台的开源截图工具，使用 Python 与 PySide6 构建，目标是把日常截图···

GutenOCR 开源

用 VLM 做 OCR 的训练评测一条龙工具

GutenOCR 是一个面向 OCR 场景的开源工具集，专注于视觉语言模型（VLM）的训练与评测。它解决的核心···