汇集计算机视觉方向的实战项目合集，覆盖 Python、C++、CUDA 和嵌入式部署，方便直接上手跑通检测、识别等模型并落地到 TensorRT 等推理环境。

微软开源的统一 3D 生成模型，用结构化 3D 潜变量把文本或图像转成高质量 3D 资产，支持大规模、多用途的 3D 内容创作。

基于 MASt3R 三维重建先验的实时稠密 SLAM 系统，能在单目视频流中同步完成相机位姿估计与稠密三维重建，适合机器人和 AR 场景。

开源多模态大模型家族，视觉语言能力接近 GPT-4o，支持图像分类、图文检索、语义分割和视频理解等任务。

从单张开放域图像估计深度、法线和相机参数的几何模型，CVPR'25 Oral 工作，可用于单目三维重建与场景理解。

把随手写的提示词改写成更清晰、结构化的版本，让文生图和图像编辑模型生成效果更稳定。

面向任意结构剪枝的通用框架，支持 LLM、视觉基础模型和 Transformer 等，用依赖图自动处理层间耦合，省去手工设计剪枝策略。

VBench 是 CVPR2024 收录的视频生成评测基准，用多维指标客观衡量文生视频模型的质量，帮研究者横向对比不同生成方案。

MambaVision 是 CVPR 2025 提出的混合 Mamba-Transformer 视觉骨干网络，用 PyTorch 实现，可直接用于图像分类、目标检测和分割等视觉任务。

用图生文生方式生成带 PBR 材质的高质量 3D 资产，基于 Primitive Diffusion 把 3D 生成拆成可扩展的图元扩散过程。

用单步扩散模型修复 3D 重建中的伪影和缺失细节，提升 NeRF 与高斯泼溅的渲染质量，出自 CVPR 2025 Oral。

FastGS 是 CVPR 2026 收录的 3D Gaussian Splatting 加速训练方案，能在约 100 秒内完成 3DGS 训练，大幅缩短三维重建的迭代时间。

RoMa 是 CVPR 2024 提出的鲁棒稠密特征匹配器，能为几乎任意图像对估计像素级稠密形变和可靠的匹配置信度，用于 3D 重建等任务。

LangSplat 是 CVPR2024 高亮论文的官方实现，把语言特征嵌入 3D 高斯泼溅，实现可开放词汇查询的 3D 场景重建与语义检索。

基于多模态大模型的目标检测方案，把检测任务转成下一个点预测，支持开放场景下检测任意物体。

基于 PyTorch 的通用分割精修网络，通过全局与局部级联细化，把任意已有分割掩码提升到超高分辨率，无需针对特定类别重训。

OC-SORT 是 CVPR2023 提出的在线多目标跟踪算法，通过以观测为中心的设计提升遮挡和非线性运动场景下的跟踪鲁棒性，代码简单易用。

DEIM 是一个面向实时目标检测的 DETR 改进方案，通过优化一对一匹配策略加速模型收敛，让 DETR 系列检测器训练更快、精度更高。

基于 Transformer 的多模态传感器融合端到端自动驾驶模型，用模仿学习把摄像头和激光雷达数据联合建模，直接输出驾驶控制。

面向流式视频超分的一步扩散框架，用局部约束稀疏注意力和微型条件解码器把扩散超分做到实时，适合直播、视频通话等低延迟场景。

只用几张图片就能让文生图扩散模型学会多个新概念，并把它们组合到同一张图里，适合做个性化图像生成和少样本微调。

收录 3D 目标跟踪方向的论文与配套 C++ 算法实现，覆盖多体、铰接物体、多模态和实时位姿估计，方便复现和对比各类方法。

开源的端到端视觉-语言-动作模型，让 GUI 智能体看懂屏幕截图并直接输出点击、输入等操作，用于自动化电脑操作。

基于结构感知的稀疏视角 X 射线三维重建工具箱，用 Transformer 和 NeRF 从少量 X 光片重建 CT 体积并合成新视角，降低辐射采样需求。

Alpha-CLIP 是 CVPR 2024 提出的 CLIP 改进模型，通过引入 alpha 通道掩码让视觉语言模型能聚焦图像中指定区域，解决传统 CLIP 无法控制关注位置的问题。

Infinity 是一个用位级自回归建模做高分辨率图像生成的模型，把 GPT 式架构扩展到视觉生成，解决高分辨率文生图的质量和扩展性问题。

用提示（如稀疏深度点或相机位姿）引导单目深度估计，输出高精度、尺度一致的深度图，用于三维重建和机器人抓取。

CVPR 2022 发布的大规模 3D 头部对齐数据集，提供密集、准确、多样的标注，用于从单张图像重建 3D 人脸和头部。

从稀疏或带噪声的点云重建高质量三维表面，基于神经核场方法，适合三维重建与图形学研究。

基于曼哈顿世界假设的神经隐式三维重建方法，利用场景中互相垂直的平面结构约束，从多视角图像重建室内房间的稠密几何。

用神经网络从 RGB-D 序列重建高质量三维表面，是 CVPR 2022 论文的官方实现，适合做室内场景的稠密重建。

CVPR 2023 发布的大规模真实世界多视角图像数据集，覆盖 238 类物体，可直接用于训练 NeRF、3D 高斯泼溅和三维重建模型。

PatchmatchNet 是 CVPR 2021 Oral 的官方实现，用可学习的 Patchmatch 做多视图立体匹配，从多张图片重建稠密三维点云。

FaceLit 是 CVPR 2023 的官方实现，用 GAN 和 NeRF 生成可重打光的三维人脸，让生成的人脸能按任意光照条件渲染。

用 SfM 引导的单目深度估计做多视角三维重建，把稀疏重建的相机位姿和单目深度先验结合起来，提升复杂场景下的重建精度。

GLaMM 是首个能把自然语言回答和物体分割掩码无缝结合的多模态大模型，让模型在对话中直接指出并分割出提到的物体。

基于 PyTorch 的知识蒸馏框架，无需写代码即可复现和对比 28 种顶会蒸馏方法，附带训练模型、日志和配置，方便做可复现的深度学习研究。

vMAP 是 CVPR 2023 提出的神经场 SLAM 系统，用向量化对象建图实现实时 RGB-D 稠密重建，无需逐场景训练即可完成三维重建。

PromptKD 是 CVPR 2024 的官方 PyTorch 实现，用无监督提示蒸馏把大视觉语言模型的能力迁移到小模型上，免去人工标注。

从动态相机拍摄的视频中恢复人体网格，能处理遮挡和全局轨迹，适合做人体动作捕捉与三维重建研究。