计算机视觉

VideoGLaMM 开源

让AI看懂视频里每个像素，指哪打哪精准分割

VideoGLaMM 是一个面向视频像素级视觉定位的大型多模态模型，由南洋理工大学等机构在 CVPR 2025 发···

scene-language 开源

用程序+文字+嵌入，一句话生成可编辑的3D场景

Scene Language 是一个 CVPR 2025 Highlight 项目，提出了一种用程序、文字和嵌入向量统一表示3D场···

text-extract-api 开源

一条 API 把 PDF/图片变成干净 JSON，还能自动抹掉隐私信息

text-extract-api 是一个基于 Python 的文档解析服务，旨在将 PDF、Word、PPTX 等格式的文档以及图···

VLM-Grounder 开源

零样本 3D 定位，用自然语言直接找到目标物体

VLM-Grounder 是一个面向零样本 3D 视觉定位的智能体框架，基于视觉语言模型（VLM）实现。它解决了···

SensorLLM 开源

让大模型读懂传感器数据，零样本识别人类活动

SensorLLM是EMNLP 2025的官方实现，旨在将大语言模型与运动传感器数据对齐，用于人类活动识别。它解···

Awesome-Try-On-Models 开源

一站式找到虚拟试穿最新论文和代码，快速上手。

这是一个虚拟试穿（Virtual Try-on）领域的资源聚合仓库，系统整理了相关论文、代码和工具。它解决···

SG-Nav 开源

给机器人装上'3D地图+大脑'，零训练就能找东西

SG-Nav 是一个面向机器人导航的零样本目标定位框架，核心解决大型语言模型（LLM）在未知环境中无法···

Pair-VPR 开源

用视觉Transformer让机器人认路更准，不怕光照季节变化

Pair-VPR 是一个基于视觉 Transformer 的视觉地点识别（VPR）开源模型，发表于 IEEE RA-L 2025。它···

litepali 开源

轻量级图像检索，云端部署省资源，检索快人一步

LitePali 是一个轻量高效的 ColPali 实现，专注于图像检索与索引，专为云端部署优化。它解决了传统···

notebooks 开源

云端一键跑通 YOLO 训练与推理全流程

这是 Ultralytics 官方维护的 YOLO 系列教程笔记本合集，主要面向 Colab、Kaggle 和 SageMaker 等云···

SARATR-X 开源

用基础模型让雷达图像识别更准更省标注

SARATR-X 是一个面向合成孔径雷达（SAR）目标识别的基础模型，旨在解决传统 SAR 图像解译依赖人工特···

scribe.js 开源

浏览器里直接识别图片和 PDF 文字，无需后端

scribe.js 是一个纯 JavaScript 的 OCR 与文本提取库，可在浏览器和 Node.js 中直接识别图片与 PDF···

Awesome-Robotics-3D 开源

一网打尽机器人3D视觉前沿论文与代码

Awesome-Robotics-3D 是一个精选资源列表，专注于大模型（LLM/VLM）时代下机器人领域的 3D 视觉研究···

D-FINE 开源

把 DETR 回归变细粒度，定位更准、收敛更快

D-FINE 是一个基于 DETR 的端到端目标检测模型，核心创新在于将 DETR 中的回归任务重新定义为细粒度···

PartGLEE 开源

识别并解析任意物体的部件，让AI看懂物体内部结构

PartGLEE是一个基于深度学习的视觉基础模型，旨在实现开放世界中的任意物体识别与解析。它能够同时···

AnomalyDINO 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

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

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

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

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

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

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

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···

Autoregressive-Models-in-Vision-Surv··· 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···