计算机视觉

ZeroShape 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···

CLOUDS 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

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

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

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

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···

MuscleMap 开源

一键量化全身肌肉 MRI，让科研分析标准化。

MuscleMap 是一个开源、社区支持的全身肌肉定量 MRI 分析平台。它解决的是肌肉萎缩、肥胖、代谢疾病···

receipt-ocr 开源

拍张票据照片，自动提取金额日期等关键字段

receipt-ocr 是一个面向小票、发票等票据图像的 OCR 处理引擎，用 Python 编写。它要解决的问题是：···

computer-vision-challenge 开源

边做边学，用Jupyter玩转计算机视觉经典任务

这是一个面向所有人的计算机视觉实战项目合集，基于Jupyter Notebook编写，涵盖CNN、图像分类、目标···

vivid123 开源

一张图生成多视角视频，3D重建更轻松

ViVid-1-to-3 是一个基于视频扩散模型的单图生成多视角新视图的开源项目，由 CVPR 2024 Highlight ···

street-tryon-benchmark 开源

让AI在真实街景中试穿衣服，评估更靠谱

StreetTryOn 是一个面向真实街景场景的虚拟试穿基准测试集，由 WACV'25 论文提出。它解决了现有虚拟···

diffseg 开源

用扩散模型注意力，零标注自动分割图像

DiffSeg 是一种基于 Stable Diffusion 注意力信息的无监督零样本分割方法。它利用扩散模型在生成图···

ovam 开源

用扩散模型生成精准的开放词汇语义分割图

ovam 是 CVPR 2024 论文的开源实现，旨在解决扩散模型在语义分割任务中应用时注意力图不准确的问题···

traffic-monitor 开源

摄像头加雷达，边缘端自己算车流和车速

traffic-monitor 是一个面向道路场景的边缘端交通监测开源项目，核心思路是把机器学习目标检测与多···

GLiNER 开源

一句话描述实体类型，零样本提取任意实体，轻量高效。

GLiNER是一个通用且轻量的命名实体识别（NER）模型，旨在解决传统NER模型只能识别预定义实体类型、···

VoxPoser 开源

说句话，机器人就能干活，无需训练直接上手

VoxPoser 是一个将大语言模型（LLM）与机器人操作相结合的框架，旨在让机器人仅通过自然语言指令就···

groundingLMM 开源

让AI边聊边精准圈出图像中的每个物体

GLaMM（Grounding Large Multimodal Model）是CVPR 2024提出的首个能够将自然语言响应与对象分割掩···

SurgicalDINO 开源

用基础模型适配器，让内窥镜图像秒变深度图，助力手术导航。

SurgicalDINO 是一个针对内窥镜手术场景的深度估计开源模型，基于视觉基础模型 DINOv2 进行适配器学···

Flipped-VQA 开源

翻转问答顺序，让LLM更懂视频因果

Flipped-VQA 是一个面向视频问答（VideoQA）的推理框架，核心思想是让大型语言模型（LLM）作为时间···

PonderV2 开源

统一 3D 预训练范式，让模型从无标注数据中学会通用特征

PonderV2 是一个面向 3D 视觉基础模型的开源预训练框架，发表于 T-PAMI 2025。它提出一种通用的预训···

ArtEq 开源

让AI看懂没见过的姿势，人体重建更稳更准

ArtEq 是一个基于神经网络的 3D 人体姿态拟合工具，核心创新在于利用 articulated SE(3) 等变性，将···

EmerNeRF 开源

自监督分解动态场景，轻松重建三维世界

EmerNeRF 是一个基于 PyTorch 的神经辐射场（NeRF）实现，通过自监督学习将动态场景分解为静态背景···

Uni3D 开源

一个预训练模型搞定多种3D理解任务，零样本也能识别物体。

Uni3D 是北京智源人工智能研究院（BAAI）提出的一个3D视觉基础模型，旨在学习通用的3D物体表征，以···

comfyui_segment_anything 开源

在ComfyUI里用一句话，自动分割图像中任何物体

这是一个为ComfyUI设计的自定义节点插件，基于GroundingDino和SAM（Segment Anything Model）实现语···