pytorch 第 7 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 7 / 13 页）
Dia-TTS-ServerDia-TTS-Server 是一个自托管的 Dia TTS 模型推理服务器，旨在解决高质量对话式语音合成部署复杂的问题。它基于 Python 和 FastAP★ 355
data-scientist-roadmap2024这是一个面向数据科学家和机器学习工程师的学习路线图项目，以 Jupyter Notebook 形式整理了从基础到进阶所需的资源和主题。项目旨在为想进入数据科学领★ 354
DiffGAN-TTSDiffGAN-TTS 是一个基于 PyTorch 的文本转语音（TTS）实现，核心思想是结合扩散模型（Diffusion）和生成对抗网络（GAN），在保证高保★ 351
AgMLAgML 是一个面向农业机器学习的集中式框架，旨在解决农业领域深度学习研究中数据分散、基准不统一、模型复用难的问题。它聚合了多个公开农业数据集，覆盖图像分类、目★ 349
xview-yolov3xview-yolov3 是一个基于 YOLOv3 的遥感卫星图像目标检测项目，专为 xView 数据集和检测挑战赛设计。它解决了卫星图像中目标尺度小、背景复杂★ 348
CoCosNet-v2CoCosNet-v2 是一个基于深度学习的图像翻译项目，专注于全分辨率对应关系学习。它解决的是图像到图像翻译中，当输入图像与参考图像存在大形变或视角差异时，如★ 347
PortaSpeechPortaSpeech 是一个基于 PyTorch 的非自回归文本转语音（TTS）实现，源自论文《PortaSpeech: Portable and High-★ 341
optimum-benchmarkoptimum-benchmark 是 Hugging Face Optimum 生态下的统一多后端基准测试工具，用于对 Transformers、Timm、P★ 341
OASISOASIS是ICLR 2021论文的官方实现，提出了一种仅需对抗监督即可完成语义图像合成的新方法。传统方法依赖复杂的感知损失或特征匹配损失来训练生成器，而OAS★ 339
stable-pretrainingstable-pretraining 是一个用于预训练基础模型和世界模型的 Python 库，主打可靠、极简和可扩展。它主要解决深度学习研究中预训练流程复杂、复★ 333
holocronholocron 是一个基于 PyTorch 的计算机视觉技巧集合库，把近年论文中验证有效的模块、损失函数和训练优化器用统一接口实现，方便直接嵌入现有模型。它解★ 329
BK-SDMBK-SDM（Block-KD 与屏蔽蒸馏的 Stable Diffusion 压缩模型）是 ECCV 2024 提出的高效文本生成图像方案。它通过结构剪枝与知★ 327
Comprehensive-Transformer-TTS这是一个基于非自回归Transformer的文本转语音（TTS）项目，集成了多种SOTA Transformer架构，并支持有监督和无监督两种时长建模方式。它解★ 327
OTAvatarOTAvatar 是一个基于 CVPR2023 论文的一次性说话人脸头像生成框架，核心目标是用单张静态人脸照片即可驱动生成可说话的 3D 头像。它通过可控的三平★ 325
CLIPACLIPA是NeurIPS 2023论文的官方开源实现，核心发现是CLIP训练中存在逆缩放定律，即模型容量与数据规模可以按比例缩减而不损失性能。项目提供了高效训★ 323
NeuralLift-360NeuralLift-360 是一个将单张 2D 照片提升为 360° 可旋转 3D 对象的 CVPR 2023 项目。它解决了从任意自然照片（in-the-w★ 318
T5Gemma-TTST5Gemma-TTS 是一个基于 T5Gemma 编码器-解码器大语言模型的多语言语音合成项目，专注于语音克隆和时长控制。它利用先进的 LLM 架构，将文本输★ 313
MinImagenMinImagen 是一个极简实现的 Imagen 文本到图像生成模型，基于 PyTorch 构建。它旨在用最少的代码复现 Google Imagen 的核心架★ 312
HumanSDHumanSD 是 ICCV 2023 的官方实现，提出了一种原生骨架引导的扩散模型，用于人体图像生成。它解决了现有文本到图像模型在人体姿态控制上不精确、容易产★ 304
ComfyUI_InfiniteYouInfiniteYou 是一个基于 FLUX 的身份保持图像生成与编辑项目，荣获 ICCV 2025 Highlight。它通过 ComfyUI 原生节点集成，★ 300
wavegradWaveGrad 是一个基于分数匹配的快速高质量神经声码器，由 Google Research 提出，用于从梅尔频谱图生成原始音频波形。它解决了传统神经声码器（★ 299
Brain-Tumor-Segmentation这是一个基于U-Net架构的脑肿瘤图像分割项目，使用PyTorch实现，旨在从医学影像中自动分割脑肿瘤区域。项目解决了脑肿瘤诊断中手动标注耗时且主观性强的问题，★ 295
modular-diffusionmodular-diffusion 是一个基于 PyTorch 的模块化扩散模型设计与训练库。它旨在解决扩散模型研究中的代码复用和灵活定制问题，提供高度解耦的组★ 292
i1i1 是一个完全开源的文本到图像生成模型配方，由代码和模型权重组成，旨在提供一个简单且可复现的高质量文生图方案。它基于扩散模型架构，使用 JAX 和 PyTor★ 291
joliGENjoliGEN 是一个基于 PyTorch 的生成式 AI 图像与视频工具集，融合了 GAN 和扩散模型，专注于解决真实世界中的图像生成与编辑问题。它提供图像到★ 290
TATSTATS 是一个基于 PyTorch 的长视频生成框架，来自 ECCV 2022 论文。它旨在解决现有视频生成模型只能生成短视频（如几秒）的局限，通过时间无关的★ 289
univnetUnivNet是一个基于GAN的神经网络声码器，用于从声学特征（如梅尔频谱）合成高质量语音波形。它由韩国团队提出，论文发表于2021年，本仓库是其非官方PyTo★ 287
FCH-TTSFCH-TTS 是一个快速文本转语音（TTS）模型，基于 Python 实现，支持英语、中文、日语、韩语、俄语和藏语六种语言。它旨在解决传统 TTS 模型推理速★ 283
fineganFineGAN 是一个基于生成对抗网络（GAN）的细粒度图像生成与发现工具，由 IBM 研究院开发。它通过无监督的分层解耦学习，将图像生成过程分解为背景、父类别★ 281
Kitten-TTS-ServerKitten-TTS-Server 是一个自托管的轻量级文本转语音（TTS）API 服务器，基于 Kitten TTS 模型构建，提供直观的 Web 界面和 G★ 280
diffusers-interpretDiffusers-Interpret 是一个面向 Hugging Face Diffusers 模型的可解释性工具库，旨在帮助开发者和研究者理解扩散模型生成图★ 277
Chinese-FastSpeech2Chinese-FastSpeech2 是一个基于 FastSpeech2 的中文语音合成（TTS）开源项目。它针对中文发音特点，在标贝数据上继续训练，并引入了★ 275
SIFUSIFU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。它解决的是真实世界场景下，传统方法因遮挡、复杂★ 275
animatediff-clianimatediff-cli 是一个基于 AnimateDiff 的命令行工具和 Python 库，用于通过 Stable Diffusion 生成动画。它解★ 271
VLM-AutoYOLOVLM-AutoYOLO 是一个面向目标检测的端到端自动标注与 YOLO 训练平台。它想解决的问题是：做目标检测时，人工画框标注图片和视频极其耗时，且标注完还要★ 267
Integrated-Design-Diffusion-ModelIDDM（Integrated Design Diffusion Model）是一个基于 PyTorch 的扩散模型集成实现，面向图像生成任务，支持潜在扩散模型★ 267
DeepLIIFDeepLIIF 是一个基于深度学习的多重免疫荧光图像分析工具，专注于免疫组化（IHC）图像的定量分析。它解决了病理学中传统人工定量分析主观性强、效率低、难以标★ 264
modern-llm-notebook这是一个从零开始构建现代大语言模型的实战课程，基于 PyTorch 和 Jupyter Notebook 实现。项目包含 26 个可运行的 Notebook，覆★ 263
nix-ttsNix-TTS 是一个轻量级、端到端的文本转语音（TTS）开源项目，通过模块级蒸馏技术大幅压缩模型体积，同时保持高质量语音合成。它解决了传统 TTS 模型体积大★ 262
DailyTalkDailyTalk 是 ICASSP 2023 论文的官方实现，提供了一个面向对话场景的语音合成数据集和配套的非自回归 TTS 模型。它解决了传统 TTS 只能★ 262
MusicTransformer-PytorchMusicTransformer-Pytorch 是一个基于 PyTorch 框架实现的音乐生成项目，针对 MaestroV2 数据集编写，复现了 Google★ 262
phononPhonon 是一个开源语音识别模型项目，提供 Phonon-2 和 Phonon-1 两代模型，主打低比特量化与多硬件适配。它解决的是语音转文本模型部署门槛高★ 262
TorchSpecTorchSpec 是一个基于 PyTorch 原生实现的投机解码（speculative decoding）模型训练库，主要解决大语言模型推理加速中草稿模型（★ 262
GALIPGALIP 是一个面向大规模训练的文本生成图像模型，旨在解决现有扩散模型训练成本高、推理速度慢的问题。它通过引入可学习的适配器（adapter）和高效的生成架构★ 251
Echo-MemoryEcho-Memory 是一个用于视频世界模型研究的简单基线项目，核心思路是引入显式记忆机制来提升视频生成的时间连贯性与物理合理性。它解决的是当前视频生成模型在★ 250
yet-another-lightning-hydra-template这是一个基于 PyTorch Lightning 和 Hydra 的机器学习项目模板，旨在为快速实验提供灵活、可扩展且可复现的工作流。它解决了研究人员在搭建新项★ 250
Music-Dance-Video-SynthesisMusic-Dance-Video-Synthesis 是一个基于 PyTorch 的自监督舞蹈视频合成项目，发表于 ACM MM 2020 Oral。它解决的★ 249
DiffSingerDiffSinger 是一个基于 PyTorch 的开源歌声合成（Singing Voice Synthesis）项目，核心思想是将浅层扩散机制（Shallow★ 247
CFGppCFGpp 是 ICLR2025 论文《CFG++: manifold-constrained classifier free guidance for dif★ 245
comfyui-triton-and-sageattention-installer这是一个为 ComfyUI 用户设计的跨平台安装工具，专门解决 Triton 和 SageAttention 在 Windows 环境下安装困难的问题。Comf★ 243