pytorch 第 9 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 9 / 13 页）
pytorch-dc-ttspytorch-dc-tts 是一个基于 PyTorch 实现的文本转语音（TTS）项目，支持英语和蒙古语。它复现了 DC-TTS（Deep Convoluti★ 186
flux-actionflux-action 是 Black Forest Labs 开源的 7B 世界动作模型（World Action Model），以开放权重形式发布，目标是把★ 186
Paint-by-SketchPaint-by-Sketch 是一个基于 Stable Diffusion 的图像编辑方法，用户提供一张草图和一个参考图像，模型将参考图像的内容（如颜色、纹理★ 183
latent-pose-reenactment这是CVPR 2020论文《Neural Head Reenactment with Latent Pose Descriptors》的官方实现，用于数字人头部★ 181
ImagenHubImagenHub 是一个一站式条件图像生成模型推理与评估库，旨在标准化各类条件图像生成模型的调用和评测流程。它解决了当前图像生成领域模型众多、接口不一、评估指★ 180
DCLGANDCLGAN 是一个基于 PyTorch 的无监督图像到图像翻译框架，源自 CVPRW 2021 论文《Dual Contrastive Learning fo★ 179
OneJevOneJev 是一个多模态 System One 决策模型，目标是用一次前向传播，对屏幕、照片、视频和文本等输入给出带校准置信度的类型化答案。它解决的是 GUI★ 177
GestureGANGestureGAN 是一个基于生成对抗网络（GAN）的手势到手势转换工具，发表于 ACM MM 2018（Oral）。它解决的是在自然场景（非受控环境）中，如★ 176
lucidalucida 是一个基于 BiRefNet 微调的图像抠图工具，专注于处理传统背景移除方法容易失败的复杂场景，如玻璃、迷彩、文字、发光物体和线条艺术。它利用高精★ 174
custom-diffusion360CustomDiffusion360 是一个基于 Stable Diffusion 的文本生成图像定制化扩展项目，核心解决现有定制化模型（如 DreamBoot★ 173
BVAE-TTSBVAE-TTS 是一个基于 PyTorch 的文本转语音（TTS）开源项目，是论文的官方实现。它采用贝叶斯变分自编码器（BVAE）框架，旨在解决传统 TTS ★ 173
wavegan-pytorchWaveGAN 的 PyTorch 非官方实现，用于生成原始音频波形。该项目解决了从零训练生成对抗网络（GAN）生成音频的工程门槛，提供了完整的训练、生成和评估★ 173
tiny-audiotiny-audio 是一个低成本语音转文字（ASR）系统，核心思路是把冻结的语音编码器与 Qwen 大语言模型通过一个小型可训练投影层连接起来，训练成本约 2★ 173
diffusion-for-beginners这是一个面向初学者的扩散模型（Diffusion Models）教学项目，用最简化的代码实现去噪扩散模型的核心原理。它解决了初学者难以理解扩散模型数学推导和复杂★ 172
env-doctorenv-doctor 是一个用于诊断和修复 CUDA/GPU 环境兼容性问题的命令行工具，同时提供 MCP（Model Context Protocol）服务器★ 172
fake-news这是一个从零构建假新闻检测器的开源项目，覆盖从想法到模型部署的完整流程。项目以Jupyter Notebook为主要载体，逐步演示如何收集数据、清洗文本、特征工★ 171
NLP-pretrained-model这是一个自然语言处理预训练模型的集合仓库，收录了基于Keras、MXNet等深度学习框架的多种预训练模型，涵盖词向量、句向量、文本分类等常见NLP任务。项目旨在★ 169
ssl-wearablesssl-wearables 是一个面向可穿戴设备数据的自监督学习开源项目，基于英国生物银行（UK-Biobank）超过70万人天的加速度计数据构建。它解决了可穿★ 168
weightslabweightslab 是一个面向 AI 工程师的数据处理基础设施，专注于处理真实世界中杂乱的数据，包括图像、视频和 LiDAR 点云。它解决了 AI 项目在数据★ 168
FQ-GANFQ-GAN是一个基于PyTorch的图像生成与翻译框架，官方实现了FQ-GAN模型。它旨在解决高分辨率图像生成和跨域图像转换中的质量与效率问题，通过引入全量化★ 166
icfaceICface 是一个基于 GAN 的人脸重演（Face Reenactment）开源项目，旨在实现可解释且可控的人脸动画生成。它通过解耦人脸的身份特征与动作单元★ 164
SwiftDiffusionSwiftDiffusion 是一个基于 Swift 语言实现的 Stable Diffusion 项目，它利用 CoreML、PyTorch 和 SwiftU★ 164
Neural-HMMNeural-HMM 是一个基于神经隐马尔可夫模型（Neural HMM）的高质量文本转语音（TTS）开源项目。它旨在解决传统注意力机制在语音合成中的鲁棒性不足★ 164
Lifelong-nnUNetLifelong-nnUNet 是一个基于 nnU-Net 的医学图像分割框架，专门解决传统分割模型在持续学习场景中的灾难性遗忘问题。它允许模型在多个医学影像数★ 163
AdaSpeechAdaSpeech 是一个基于 PyTorch 的自适应文本转语音（TTS）项目，旨在为自定义声音提供高质量的语音合成能力。它针对传统 TTS 系统在适应新说话★ 162
BEVTBEVT 是 CVPR 2022 论文《BEVT: BERT Pretraining of Video Transformers》的官方 PyTorch 实现。★ 161
NEDNED是CVPR 2022提出的视频人脸表情编辑工具，基于PyTorch实现。它解决的是视频中演员面部情绪的精准操控问题，用户可以通过指定情绪标签（如开心、悲伤★ 160
paradigmsParadigms 是 NeurIPS 2023 Spotlight 论文《Parallel Sampling of Diffusion Models》的官方 ★ 159
Qwen-Image-Edit-2511-LoRAs-Fast-Lazy-Load这是一个针对Qwen-Image-Edit-2511图像编辑模型的演示项目，核心亮点是支持懒加载的LoRA适配器，用于高级单图和多图编辑。项目集成了7种以上专用★ 158
caption-upsamplingcaption-upsampling 是一个基于 PyTorch 和 diffusers 的开源项目，旨在复现 DALL-E 3 中的“标题上采样”（capti★ 157
CycleGAN-VC3CycleGAN-VC3 是一个基于 CycleGAN 的语音转换（Voice Conversion）开源项目，旨在将一个人的声音转换为另一个人的声音，同时保留★ 157
coircoir 是一个面向代码信息检索（Code Information Retrieval）的综合基准测试集，发表于 ACL 2025 Main。它旨在解决现有代码★ 156
sdksdk 是一个通用 Python SDK，旨在简化在 Kubernetes 上运行 AI 工作负载的流程。它解决了 AI 工程师和平台团队在 Kubernete★ 155
SlideFormerSlideFormer 是一个面向单卡 GPU 场景的异构协同设计微调框架，核心目标是让大语言模型微调不再被显存容量卡住。它把 GPU 显存、CPU 内存和 N★ 154
Transformers-in-ActionTransformers-in-Action 是一本名为《Transformers in Action》的书籍的配套代码仓库，旨在通过 Jupyter Note★ 153
WaDiWaDi 是一个面向一步图像合成的权重方向感知蒸馏框架，由 CVPR 2026 论文官方提供 PyTorch 实现。它解决扩散模型蒸馏过程中因权重方向忽略导致的★ 153
tryoffdiffTryOffDiff 是一个基于扩散模型的虚拟试脱（Virtual-Try-Off）工具，能够从人物穿着照片中重建出高保真的服装图像。它解决了电商和时尚行业中需★ 152
KaraFanKaraFan 是一个基于人工智能的音乐分离开源项目，旨在从混合音频中提取人声和伴奏，尤其适用于卡拉OK伴奏制作。它利用深度学习模型对音频信号进行源分离，核心能★ 152
MapReaderMapReader 是英国国家档案馆等机构合作开发的开源计算机视觉流水线，专为大规模地图图像的分析与探索而设计。它将深度学习模型（基于 PyTorch）与地理空★ 150
clip-genCLIP-GEN 是一个基于 CLIP 的文本生成图像模型，核心创新在于无需语言标注训练。传统文本到图像模型依赖大量图文配对数据，而 CLIP-GEN 利用 C★ 149
GraspGPT_publicGraspGPT_public 是 GraspGPT 和 FoundationGrasp 模型的官方代码实现，专注于机器人抓取领域。它解决的是机器人如何根据视觉★ 149
Tacotron2-PyTorch这是一个基于PyTorch实现的Tacotron 2文本转语音（TTS）模型，旨在提供比原始实现更快的训练速度和更灵活的参数控制。它解决了Tacotron 2在★ 148
Merge-Stable-Diffusion-models-without-distortion这是一个将Git Re-Basin论文中提出的模型合并方法（通过排列对称性合并模型）应用于Stable Diffusion的开源工具。它解决了直接对Stable★ 147
Comprehensive-E2E-TTS这是一个基于 PyTorch 的非自回归端到端文本转语音（TTS）项目，直接将文本转换为语音波形，无需中间声学特征。它集成了多种前沿的无监督时长建模方法，支持 ★ 147
MNISTDiffusionMNISTDiffusion 是一个从零开始实现的去噪扩散概率模型（DDPM）的极简版本，专门用于 MNIST 手写数字生成。项目代码精简，模型大小仅 4.55★ 145
tts-arabic-pytorch这是一个基于 PyTorch 的阿拉伯语语音合成（TTS）工具包，实现了 Tacotron2 和 FastPitch 两种主流声学模型，并集成 HiFi-GAN★ 145
LGGANLGGAN 是一个基于生成对抗网络的语义引导场景生成模型，发表于 CVPR 2020。它解决的是从语义分割图（或跨视角条件）生成逼真场景图像的问题，核心创新在于★ 144
MuscleMapMuscleMap 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、代谢疾病等研究中缺乏标准化、可重复的全身肌肉影像分析工具的问★ 144
ConffusionConffusion 是论文《Conffusion: Confidence Intervals for Diffusion Models》的官方实现，旨在为扩散★ 143
SLiMeSLiMe是一个基于Stable Diffusion的单样本图像分割工具，只需一张标注示例图像即可分割出目标对象，无需额外训练或微调。它通过分析Stable D★ 143