探索全部
共 1,808 个仓库 · 一年内有推送 · Python
基于 Retinex 理论的一阶段 Transformer 低光照图像增强模型，ICCV 2023 高被引工作，可直接用于夜间图像提亮与下游检测任务。
基于 Qt 的跨平台电子书阅读器，支持 EPUB、MOBI、DJVU 和漫画格式，统一管理并阅读本地电子书与漫画。
用 Python 实现的图像信号处理器（ISP），把传感器原始数据加工成可用的图像，适合做相机成像流程的算法验证与二次开发。
专注于中国大陆视频网站的视频下载器，支持从主流站点抓取并保存视频，适合需要批量下载国内视频资源的场景。
面向智能体时代的开源文档智能平台，把非结构化文档接入 ETL 流水线和向量库，方便构建文档检索与 LLM 智能体应用。
Ovis 是一种多模态大语言模型架构，通过结构对齐视觉与文本嵌入，让模型能同时理解图像和文字，适合做视觉问答、图文对话等任务。
用 Python 和 TypeScript 统一调用各家大模型，把提示词、工具调用和结构化输出封装成轻量模块，避免被重型框架绑死。
.png){kind=small}
用视觉语言模型从 PDF、Word、PPT 和扫描件等难搞文档里提取干净结构化数据，省去手工清洗的麻烦。
每天自动抓取 arXiv 上计算机视觉方向的新论文并整理更新，省去手动刷 arXiv 的麻烦，适合跟踪 3D 重建、图像匹配、NeRF 等方向的最新进展。
一个注重隐私的 Python HTTP 客户端，能模拟浏览器 TLS/HTTP2 指纹（JA3/JA4、Akamai），帮爬虫绕过反爬检测。
把大语言模型和适配时空视频表示的视觉编码器结合，让模型能围绕视频内容展开有意义的对话，并提供视频对话模型的量化评测基准。
Prism 是腾讯混元提出的动态稀疏注意力框架，让视频-音频联合生成模型能原生训练到 2K 分辨率，解决高分辨率多模态生成算力吃紧的问题。
基于 AgenticX 的多智能体金融情报平台，实时分析财经新闻、融合情绪信号并挖掘 alpha 因子，帮量化研究者从资讯里找交易线索。
OpenMMLab 生态的深度学习训练基础库，统一封装训练循环、配置系统和分布式训练等底层能力，让算法开发者专注模型本身而不用重复搭建训练脚手架。
自托管 Chatterbox 语音合成模型的服务端，带 Web 界面和 OpenAI 兼容 API，支持预置音色、声音克隆和长篇有声书文本处理，可在 NVIDIA、AMD 和 CPU 上加速运行。
一站式通用 OCR 开源工具箱，集训练评测基准、商用级文字识别与文档解析系统于一体，并复现多篇学术论文的核心实现。
面向扩散模型和全模态模型的多模态强化学习训练框架，支持 GRPO、流匹配和 vLLM 推理，用来做图像生成与多模态模型的 RLHF 训练。
用 Python 对多目标跟踪器做基准评测，计算 CLEAR MOT 等标准指标，方便横向对比不同跟踪算法的效果。
多后端 Whisper 语音转文字工具，支持本地文件或 URL 输入，在 Mac ARM 上做了速度优化，安装简单且完全离线私有。
可控语音转写工具，能逐字保留停顿、口吃和语气词，也能输出流畅可读版本，并提供词级时间戳。
面向各类 Stable Diffusion 模型的高质量免训练图像修复方案，可作为 ComfyUI 自定义节点直接接入工作流，无需额外训练即可完成局部重绘。
用 YOLOv5 + DeepSORT 做车辆和行人的多目标追踪与计数，封装成 Detector 类，方便直接嵌进自己的项目里。
一套给 AI 编程代理用的技能包和 AGENTS.md 工作流模板，让 Claude Code、Cursor、Codex 按「隔离开发、服务层构建、证据验证、前后对比交付」的流程干活。
基于 Chrome DevTools 协议的异步网页抓取与自动化框架，能绕过 Cloudflare 等反爬检测，适合需要隐蔽采集的场景。