#vision-language-models Repositories
Insgesamt 86 Repositories
Das Repository stellt Code zur Verfügung, der mit der Veröffentlichung VLFM: Vision-Language Frontier Maps für Zero-Shot Semantic Navigation (ICRA 2024) verbunden ist
[NeurIPS 2025] 4KAgent: Agentic Any Image zu 4K Super-Resolution. Ein intelligenter Computersicht-Agent, der jedes Bild magisch in perfektes 4K wiederherstellen kann!
"RegionCLIP: Region-based Language-Image Pretraining" offizieller Code für [CVPR 2022]
[NeurIPS'25 Spotlight] Offizielles Repository für "Chain-of-Zoom: Extreme Super-Resolution via Scale Autoregression and Preference Alignment"
MM-EUREKA: Erkundung der Grenzen multimodaler Schlussfolgerung mit regelbasierter Verstärkungslernen
Eine erstklassige Sammlung und Umfrage zu Vision‑Language‑Modellen, sowie ein GitHub‑Repository mit Modellen. Kontinuierliche Updates.
Daten und Code für das NeurIPS 2022 Paper „Learn to Explain: Multimodal Reasoning via Thought Chains for Science Question Answering“.
BiomedGPT: Ein allgemeines Vision-Language Basismodell für diverse biomedizinische Aufgaben
[ICCV 2025] Offizieller Code von "ORION: Ein ganzheitliches End-to-End-Framework für autonomes Fahren durch visuell-sprachlich instruierte Aktionsgenerierung"
EMNLP'22 | MedCLIP: Kontrastives Lernen aus ungepaarten medizinischen Bildern und Texten
Chatten Sie mit Ihren Dokumenten mithilfe von Vision Language Models. Dieses Repository implementiert eine End-to-End-RAG-Pipeline mit lokalen und proprietären VLMs.
[ICLR 2026] ReCogDrive: Ein verstärktes kognitives Framework für End-to-End-autonomes Fahren
Offizielle Code-Implementierung von Vary-toy (Small Language Model trifft auf Reinforced Vision Vocabulary)
Eine kuratierte Liste von Multi-Modal Reinforcement Learning-Ressourcen (ständig aktualisiert)
Offizielles Repository für „Glyph: Skalierung von Kontextfenstern durch visuell-textuelle Komprimierung“
Framework, das die Feinabstimmung von Vision-Sprache Verankerungsmodellen auf benutzerdefinierten Datensätzen ermöglicht
Eine Sammlung von Papieren, Codes, Datensätzen, Benchmarks und Ressourcen zum multimodalen Denken.
🌐 Vision-Language-Action-Modelle für autonomes Fahren: Vergangenheit, Gegenwart und Zukunft
[BIONLP@ACL 2024] XrayGPT: Zusammenfassung von Röntgenbildern der Brust mithilfe von medizinischen Vision-Language-Modellen.
Bestärkendes Lernen mit Weltmodellen für VLM-Agenten mit mehreren Dialogrunden. Framework für bestärkendes Lernen im Bereich Vision (NeurIPS 2025).
Official Implementations of "Cheap and Quick: Efficient Vision-Language Instruction Tuning für Large Language Models" zum NeurIPS 2023
Ein vertrauenswürdiger Interaktionsrahmen für Mensch-Multi-Agenten-Verstärkungslernen