#pytorch Repositories
Insgesamt 1,936 Repositories
Code und Daten für "AnyV2V: Ein Tuning-Free Framework für beliebige Video-zu-Video-Bearbeitungsaufgaben" [TMLR 2024]
Dies ist die PyTorch-Implementierung unseres Papiers „RSPrompter: Lernen, um für die Fernerkennung von Instanzsegmentierung auf Basis visueller Fundamentmodelle zu werben“
Ein Wasserzeichen-Tool, um menschliche Kunstwerke vor der Verwendung in synthetischen Kunstwerken zu schützen.
Eine Bibliothek für bayesche neuronale Netzwerkschichten und Unsicherheitsschätzung im Deep Learning, die den Kern von PyTorch erweitert
Dies ist der Code für den SpeechTokenizer, der in SpeechTokenizer: Unified Speech Tokenizer for Speech Language Models vorgestellt wird. Beispiele werden auf vorgestellt
TorchOpt ist eine effiziente Bibliothek für differenzierbare Optimierung, die auf PyTorch aufbaut.
Ein Projekt in den Bereichen Computer Vision, maschinelles Lernen und Deep Learning, das Kursnotizen sowie selbst entwickelte Programme enthält.
Treten Sie der Community auf Discord bei, um weitere Diskussionen über Neutone zu führen! https://discord.gg/VHSMzb8Wqp
[CVPR'26] ObjectClear: Präzise Objekt- und Effektextraktion mit adaptiv an Ziel orientierter Aufmerksamkeit
Single File, Single GPU, Von Grund auf, Effizient, Full Parameter Tuning Bibliothek für "RL for LLMs"
[NeurIPS 2020] MCUNet: Tiny Deep Learning auf IoT-Geräten; [NeurIPS 2021] MCUNetV2: Speichereffiziente Patch-basierte Inferenz für Tiny Deep Learning
Inoffizielle PyTorch-Implementierung von Denoising Diffusion Probabilistic Models
Best Practices und Anleitungen zum Schreiben von verteiltem PyTorch-Trainingscode
DreamSim: Lernen neuer Dimensionen der menschlichen visuellen Ähnlichkeit mit synthetischen Daten (NeurIPS 2023 Spotlight) / / / / Wann profitiert die Wahrnehmungsangleichung von visuellen Repräsentationen? (NeurIPS 2024)
Offizielle Pytorch-Implementierung von 6DRepNet: 6D-Rotationsdarstellung für die unbeschränkte Kopfhaltungsüberschlagsschätzung.
ICLR 2020: Kompositionsbasierte Multi-Relationale Graph-Convolutional-Netzwerke
VMAS ist ein vektorisierter, differenzierbarer Simulator, der für ein effizientes Benchmarking im Multi-Agent Reinforcement Learning (MARL) entwickelt wurde. Er besteht aus einer vektorisierten 2D-Physik-Engine, die in PyTorch geschrieben ist, und einer Reihe von herausfordernden Multi-Robot-Szenarien. Zusätzliche Szenarien können über eine einfache und modulare Schnittstelle implementiert werden.
Vollständiger Lebenszyklus eines Data-Science-Projekts
Der offizielle Code für "One Fits All: Power General Time Series Analysis by Pretrained LM (NeurIPS 2023 Spotlight)"
(CVPR 2025 Highlight✨) Offizielles Repository des Papers "LLMDet: Learning Strong Open-Vocabulary Object Detectors under the Supervision of Large Language Models"
Überprüfung der Verankerung auf Span-Ebene für RAG-, Code- und Tool-gestützte KI-Ausgaben.
Offizielle Implementierung für "Blended Latent Diffusion" [SIGGRAPH 2023]
Minimale Implementierung von skalierbaren rektifizierten Fluss-Transformatoren, basierend auf dem Ansatz von SD3
:fire: Verwende vortrainierte Modelle in PyTorch, um Vektorembeddings für jedes Bild zu extrahieren
[CVPR 2024 Highlight] Das offizielle Repo für „GPS-Gaussian: Generalizable Pixel-wise 3D Gaussian Splatting for Real-time Human Novel View Synthesis“
KI-Folien, Notizen zu Fachartikeln, Vorlesungsnotizen, Blogbeiträge und Forschungsüberblicke.
BackPACK - ein Backpropagation-Paket, das auf PyTorch aufbaut und effizient Mengen berechnet, die nicht der Gradient sind.