Imagen 文本到图像

Google Research 开发的一种文本条件视频生成系统。它利用级联视频扩散模型，根据文本提示生成高清视频，为各种创意应用提供高保真度、可控性和世界知识。Imagen Video 是 Google Research 开发的一种文本条件视频生成系统。它利用级联视频扩散模型，根据文本提示生成高清视频，为各种创意应用提供高保真度、可控性和世界知识。

人工智能模型，通过将冻结的视觉编码器与大型语言模型对齐，增强了视觉-语言理解能力。它可以生成详细的图像描述、根据草稿创建网站、创作受图像启发的故事情节，并解决视觉问题，展现了先进的多模态能力。MiniGPT-4 是一个人工智能模型，通过将冻结的视觉编码器与大型语言模型对齐，增强了视觉-语言理解能力。它可以生成详细的图像描述、根据草稿创建网站、创作受图像启发的故事情节，并解决视觉问题，展现了先进的多模态能力。

Parti：Pathways 自回归文本到图像模型

AI 模型

Parti 是一个自回归文本到图像生成模型，可创建高保真度、照片级真实感的图像。它将图像生成视为一个序列到序列问题，利用大型语言模型的进步来实现复杂的构图和世界知识合成。Parti 支持内容丰富的合成，具有精细的细节和交互。

StyleSwin: 基于 Transformer 的 GAN

AI GitHub 仓库

基于 Transformer 的生成对抗网络 (GAN)，专为高分辨率图像生成而设计。它利用 Swin Transformer 和一种新颖的双注意力机制来平衡计算效率和建模能力，在高达 1024x1024 的分辨率下取得了卓越的成果。StyleSwin 是一种基于 Transformer 的生成对抗网络 (GAN)，专为高分辨率图像生成而设计。它利用 Swin Transformer 和一种新颖的双注意力机制来平衡计算效率和建模能力，在高达 1024x1024 的分辨率下取得了卓越的成果。

BEiT 图像 Transformer

AI 模型

自监督视觉表示模型，它使用掩码图像建模来预训练视觉 Transformer。它将图像分词为视觉标记，并恢复被掩码的图像块，在图像分类和语义分割等下游任务上取得了有竞争力的结果。BEiT 是一个自监督视觉表示模型，它使用掩码图像建模来预训练视觉 Transformer。它将图像分词为视觉标记，并恢复被掩码的图像块，在图像分类和语义分割等下游任务上取得了有竞争力的结果。

Lumiere

AI 模型

Google Research 开发的时空扩散模型，用于生成逼真、多样且连贯的视频。它能在单次运行中合成整个视频时长，从而实现高级的文本到视频、图像到视频、视频修复以及风格化生成任务，并具有出色的时间一致性。Lumiere 是 Google Research 开发的时空扩散模型，用于生成逼真、多样且连贯的视频。它能在单次运行中合成整个视频时长，从而实现高级的文本到视频、图像到视频、视频修复以及风格化生成任务，并具有出色的时间一致性。

Vision Transformer

AI GitHub 仓库

Vision Transformer (ViT) 仓库提供了用于图像识别任务的模型和代码。它包括 Vision Transformer 和 MLP-Mixer 架构的实现，这些模型已在 ImageNet 和 ImageNet-21k 数据集上进行了预训练，并提供了 JAX/Flax 中的微调代码。

Kandinsky 2

AI GitHub 仓库

多语言文本到图像的潜在扩散模型。它提供高级的图像生成功能，包括文本到图像、图像到图像和图像修复。该模型支持 ControlNet 以增强图像生成控制，并利用强大的编码器来改进对文本和图像的理解，从而产生更具美感的输出。Kandinsky 2 是一个多语言文本到图像的潜在扩散模型。它提供高级的图像生成功能，包括文本到图像、图像到图像和图像修复。该模型支持 ControlNet 以增强图像生成控制，并利用强大的编码器来改进对文本和图像的理解，从而产生更具美感的输出。