pytorch 第 10 页
本站收录 605 个带「pytorch」标签的 AI 开源项目（按 GitHub 星标从高到低，第 10 / 13 页）
monai-deploy-app-sdkMONAI Deploy App SDK 是 MONAI 项目的一部分，专注于医疗影像 AI 应用的全生命周期管理。它提供了一套框架和工具，帮助开发者设计、开发★ 143
lpwmlpwm（Latent Particle World Models）是一个面向视频生成与预测的物体中心世界模型，由ICLR 2026 Oral论文官方开源。它旨★ 142
OneShotTranslationOneShotTranslation 是论文《One-Shot Unsupervised Cross Domain Translation》（NIPS 2018★ 141
ViGeoViGeo 是一个面向视频几何一致性估计的开源项目，旨在从视频序列中稳定地估计相机位姿和场景几何结构。它解决的是传统单帧几何估计在视频中因运动、遮挡和光照变化导★ 139
simple-diffusionsimple-diffusion 是一个用 PyTorch 实现的最小化去噪扩散模型，旨在以极简代码展示扩散模型的核心原理。它解决了初学者理解扩散模型门槛高的问★ 137
pcb-designer-ai-agentpcb-designer-ai-agent 是一个用 Python 编写的 AI 驱动 PCB 设计自动化工具，目标是把电路板布局布线中重复、依赖经验的环节交给★ 137
UnitSpeechUnitSpeech 是一个基于扩散模型的语音合成与声音转换开源项目，官方实现了同名论文《UnitSpeech: Speaker-adaptive Speech★ 135
MB-iSTFT-VITS2MB-iSTFT-VITS2 是一个基于 PyTorch 的语音合成（TTS）开源项目，它将 MB-iSTFT-VITS 的组件应用到 vits2_pytorc★ 135
Know-Your-IntentKnow-Your-Intent 是一个基于语义哈希（Semantic Hashing）的意图分类开源项目，专注于对话系统中的意图识别任务。它针对 AskUbu★ 134
ariaaria 是一个本地运行的、无审查的 AI 实体项目，基于 Python 构建，集成了大型语言模型（LLM）、语音合成（如 Kokoro TTS）和深度学习技术★ 134
BloomBeeBloomBee 是一个面向大语言模型（LLM）的去中心化微调与推理框架，核心思路是把模型训练和推理任务拆分到多台普通设备上协同完成，并通过 offloadin★ 134
llm-from-scratch这是一个韩语开源项目，对应书籍《从零开始构建LLM》（吉博出版社，2025）的代码仓库。项目旨在通过从底层实现大语言模型（LLM）来帮助学习者深入理解其工作原理★ 133
StableDiffusionTelegramStableDiffusionTelegram 是一个将 Stable Diffusion 图像生成能力集成到 Telegram 聊天机器人的开源项目。它解决了★ 131
optispeechOptiSpeech 是一个轻量级的端到端文本转语音（TTS）模型，旨在以较低的计算资源实现高质量语音合成。它解决了传统 TTS 模型参数量大、推理速度慢、部署★ 131
TempoTokensTempoTokens 是 AAAI 2024 论文的官方 PyTorch 实现，旨在解决音频到视频生成中多样性与对齐性的难题。它通过将文本到视频模型进行适应性★ 130
hands-on-llmhands-on-llm 是一个面向中文开发者的 LLM 全栈动手学习项目，核心目标是把大模型从理论到落地的完整链路拆解成可运行的代码与实验。它包含三大部分：一★ 130
RecSys-MLopsRecSys-MLops 是一个面向推荐系统的高可扩展机器学习与数据系统工程实践项目，用 Python 编写，整合了 Flink、Spark、Kafka、Dat★ 130
flow-matchingflow-matching 是一个基于 PyTorch 实现的流匹配（Flow Matching）开源项目，专注于图像生成任务。流匹配是一种新兴的生成模型范式，★ 129
MagiCodecMagiCodec 是一个单层流式音频编解码模型，旨在提供当前最优的音频质量，并生成离散 token，以提升下游模型的可建模性。它解决传统音频编解码器多层设计导★ 129
BiGraphGANBiGraphGAN是BMVC 2020 Oral论文的官方实现，专注于行人图像生成任务。它解决的是在给定源人物图像和目标姿态的条件下，生成逼真且姿态一致的人物★ 128
motion-mirrormotion-mirror 是一个本地优先的动作迁移工具，基于 Wan2.1-VACE 模型，允许用户从参考视频中提取动作，并将其应用到任意角色图像上，生成动画★ 128
Qwen3-TTS-EasyFinetuningQwen3-TTS-EasyFinetuning 是一个面向 Qwen3-TTS 模型的简易微调工具，旨在让开发者快速实现声音克隆和多语言高质量语音合成。它解决★ 128
sem2nerfSem2NeRF 是 ECCV 2022 收录的研究项目，旨在将单张语义分割掩码（Semantic Mask）转换为三维神经辐射场（NeRF），实现从单视角语义★ 127
comfyui-meshcomfyui-mesh 是一个针对 ComfyUI 的分布式推理扩展，旨在解决单 GPU 显存不足导致无法运行大型扩散模型（如 FLUX.2 和 LTX 2.★ 126
DiffusionTexturePaintingDiffusionTexturePainting 是 SIGGRAPH 2024 上发布的一个开源项目，专注于利用扩散模型进行纹理绘制。它解决的是传统纹理映射中★ 126
monai-deployMONAI Deploy 是 MONAI 项目下的一个开源基础设施，旨在成为医疗 AI 应用在临床生产中开发、打包、测试、部署和运行的事实标准。它解决的是医疗影★ 123
diffusionmagicdiffusionmagic 是一个基于 Hugging Face diffusers 库的 Stable Diffusion 工作流封装项目，旨在降低图像生成★ 122
edittsEdiTTS 是 INTERSPEECH 2022 论文的官方实现，基于分数生成模型（score-based）实现可控的文本到语音（TTS）编辑。它解决的是传统★ 122
Avocodo-pytorchAvocodo-pytorch 是 Avocodo 声码器的 PyTorch 实现。Avocodo 是一种基于生成对抗网络（GAN）的声码器，旨在从声学特征（如★ 122
SUR-adapterSUR-adapter 是一个为预训练扩散模型设计的轻量级适配器，旨在解决文本到图像生成中文本语义理解不足的问题。它通过从大型语言模型中蒸馏知识，将强大的语义理★ 120
dscdsc 是一个用 C++ 实现的机器学习张量库与推理框架，旨在为深度学习模型提供基础的数据结构和计算能力。它解决的是在资源受限或需要定制化部署环境中，开发者难以★ 119
mlp-singerMLP Singer 是一个基于多层感知机（MLP）的韩语歌声合成（Singing Voice Synthesis）开源项目，对应论文发表于 IEEE MLSP★ 118
chatterbox-finetuningChatterbox 微调工具包，专为 Chatterbox TTS 和 TURBO 模型设计，支持 23 种语言，具备智能词汇扩展、离线预处理、自动 VAD ★ 118
fasttrackmlfasttrackml 是一个专注于速度和可扩展性的实验跟踪服务器，用 Go 语言编写。它解决机器学习团队在大量实验场景下，传统跟踪工具（如 MLflow）性能★ 118
BlaGPTBlaGPT 是一个用于基准测试语言模型架构、层和技巧的实验性游乐场，专注于在较小数据集上进行灵活实验。它解决了研究人员和开发者难以快速对比不同模型设计（如注意★ 117
Flipped-LearningFlipped-Learning 是一个基于 ICLR 2023 论文的开源实现，提出了一种新颖的零样本学习范式。传统方法直接让模型根据输入预测输出，而该方法先★ 116
torchebmtorchebm 是一个基于 PyTorch 的生成建模库，专注能量基模型（EBM）、扩散模型、流匹配和薛定谔桥等现代生成方法的训练。它解决的核心问题是：传统 ★ 116
ez-text2videoez-text2video 是一个轻量级的文本生成视频工具，旨在让用户无需高端显卡即可运行视频扩散模型。它基于 Hugging Face 的 diffusers★ 115
TacotronTacotron 是一个基于 PyTorch 实现的端到端文本转语音（TTS）系统，专注于长句语音合成的鲁棒性。它实现了位置相对注意力机制（Location-R★ 115
FridoFrido 是一个基于特征金字塔扩散模型的图像生成研究项目，源自论文《Frido: Feature Pyramid Diffusion for Complex ★ 114
LongLive-RAGLongLive-RAG 是一个面向长视频生成的通用检索增强框架，其官方实现基于 PyTorch。它解决的是现有视频生成模型难以生成长时间、多场景连贯视频的问题★ 114
get_modelget_model 是一个模块化的多模态跨细胞类型转录调控模型框架。它旨在解决不同细胞类型中基因表达调控机制差异性的建模问题，通过整合多种数据类型（如染色质可及★ 114
PerceptionMetricsPerceptionMetrics 是一个面向计算机视觉的评估工具包，旨在统一和简化目标检测与分割模型的评测流程。它解决的核心问题是：当研究者或工程师在不同传感★ 114
MIDI-GPTMIDI-GPT 是一个基于 GPT-2 架构的符号音乐生成模型，专注于可控的多轨音乐创作。它解决的核心问题是传统音乐生成模型难以对旋律、和弦、节奏等多轨元素进★ 112
OakInk2OakInk2 是一个用于双手-物体操作研究的3D数据集，由 CVPR 2024 发布。它记录了人类在复杂任务完成过程中的双手和物体交互，包含精细的3D手部网格★ 112
UniMedVLUniMedVL 是一个面向医疗领域的统一视觉语言模型，旨在同时处理医学图像的理解与生成任务。它通过“观察-知识-分析”框架，将多模态理解（如图像分类、报告生成★ 111
attention-interpolation-diffusion这是一个 NeurIPS 2024 的官方实现，针对文本到图像扩散模型中的注意力插值技术。它解决的是在 Stable Diffusion 等模型中，如何通过插值★ 111
text2image-benchmarktext2image-benchmark 是一个用于生成式图像模型的基准测试工具，专注于文本到图像生成任务。它解决了生成模型评估标准不统一、指标计算复杂的问题，★ 110
Tacotron-pytorchTacotron-pytorch 是一个基于 PyTorch 实现的 Tacotron 端到端文本转语音（TTS）模型。Tacotron 是 Google 提出★ 110
latent-diffusion-segmentation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论文。它解决传统全景分割依赖封闭类别集合、难★ 109