生成式图像到文本转换器

LLaVA

AI GitHub 仓库

视觉指令调优模型，结合了大型语言和视觉能力。其目标是达到 GPT-4V 级别的性能，实现多模态理解和交互。该项目为研究人员和开发者提供了代码、模型和资源。LLaVA 是一个视觉指令调优模型，结合了大型语言和视觉能力。其目标是达到 GPT-4V 级别的性能，实现多模态理解和交互。该项目为研究人员和开发者提供了代码、模型和资源。

CLIP

AI GitHub 仓库

OpenAI开发的一个模型，能够根据给定的图像预测最相关的文本片段。它使用对比语言-图像预训练来理解和生成准确的图像文本描述，增强了人工智能对视觉内容的解读能力。CLIP是OpenAI开发的一个模型，能够根据给定的图像预测最相关的文本片段。它使用对比语言-图像预训练来理解和生成准确的图像文本描述，增强了人工智能对视觉内容的解读能力。

MiniGPT-4 & MiniGPT-v2

AI GitHub 仓库

MiniGPT-4 和 MiniGPT-v2 的开源代码，先进的大型语言模型，增强视觉-语言理解能力。这些模型支持视觉-语言任务的多任务学习，提供图像理解和生成能力。它们基于 Llama 2 和 Vicuna 模型构建，为研究人员和开发人员提供了强大的工具。

ViT-Adapter

AI GitHub 仓库

人工智能模型，可提高 Vision Transformer (ViT) 在目标检测和分割等密集预测任务上的性能。它在无需预训练的情况下引入了特定于图像的归纳偏置，使普通 ViT 能够取得与专用 Transformer 相当的结果，从而适用于各种下游应用。ViT-Adapter 是一款人工智能模型，可提高 Vision Transformer (ViT) 在目标检测和分割等密集预测任务上的性能。它在无需预训练的情况下引入了特定于图像的归纳偏置，使普通 ViT 能够取得与专用 Transformer 相当的结果，从而适用于各种下游应用。

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。

DALL·E

AI 模型

AI 模型，可以根据文本描述生成图像。它可以创建各种视觉概念，组合不相关的想法，渲染文本，并对现有图像进行转换，为可视化自然语言提示提供了一种新颖的方式。DALL·E 是一个 AI 模型，可以根据文本描述生成图像。它可以创建各种视觉概念，组合不相关的想法，渲染文本，并对现有图像进行转换，为可视化自然语言提示提供了一种新颖的方式。

DM-GAN

AI GitHub 仓库

用于文本到图像合成的动态记忆生成对抗网络的 PyTorch 实现。该存储库提供了基于 CVPR2019 论文的代码、预训练模型和评估脚本，用于从文本描述生成图像。DM-GAN 是用于文本到图像合成的动态记忆生成对抗网络的 PyTorch 实现。该存储库提供了基于 CVPR2019 论文的代码、预训练模型和评估脚本，用于从文本描述生成图像。

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。