#generative-models Dépôts
Découvrez 88 dépôts GitHub open source actifs associés à #generative-models, cumulant 226,430 étoiles au total (soit une moyenne de 2,573 étoiles par projet). Le projet en tête de ce thème est XingangPan/DragGAN, avec 36,005 étoiles.
88 dépôts au total
Audiocraft est une bibliothèque pour le traitement et la génération audio avec deep learning. Elle comprend le compresseur/tokeniseur audio de pointe EnCodec, ainsi que MusicGen, un LM de génération musicale simple et contrôlable avec conditionnement textuel et mélodique.
Ce dépôt contient des implémentations et du code illustratif pour accompagner les publications de DeepMind.
Une bibliothèque PyTorch pour l'implémentation d'algorithmes de flow matching, avec des implémentations continues et discrètes de flow matching. Elle comprend des exemples pratiques pour les modalités textuelles et d'image.
OmniGen2 : Exploration vers la Génération Multimodale Avancée. https://arxiv.org/abs/2506.18871
Version améliorée des modèles probabilistes de diffusion par débruitage
[CVPR2025 Highlight] Modèles Fondamentaux de Génération Vidéo : https://saiyan-world.github.io/goku/
Une liste organisée de ressources sur les représentations neuronales implicites.
Choses géniales sur les agents alimentés par LLM. Papiers / Repos / Blogs / ...
Modèles de diffusion en imagerie médicale (publié dans le Medical Image Analysis Journal)
Implémentation PyTorch pour la modélisation générative basée sur des scores via des équations différentielles stochastiques (ICLR 2021, Oral)
Implémentation PyTorch de diverses méthodes pour l'apprentissage continu (XdG, EWC, SI, LwF, FROMP, DGR, BI-R, ER, A-GEM, iCaRL, Generative Classifier) dans trois scénarios différents.
Reconstruction faciale 3D précise par apprentissage faiblement supervisé : De l'image unique à l'ensemble d'images (CVPRW 2019). Une implémentation PyTorch.
Personnalisez le modèle Segment Anything (SAM) avec 1 prise de vue en 10 secondes
[TPAMI 2025] ViewCrafter : Dompter les modèles de diffusion vidéo pour une synthèse de vues nouvelles de haute fidélité
[CVPR 2025 Highlight] Modèle de Diffusion Tronqué pour la Conduite Autonome End-to-End en Temps Réel
Ce dépôt est l'implémentation officielle de Disentangling Writer and Character Styles for Handwriting Generation (CVPR 2023)
Implémentations minimalistes et annotées des idées clés de la recherche moderne en apprentissage profond.
Implémentation officielle PyTorch de "SiT : Exploration des modèles génératifs basés sur le flux et la diffusion avec des transformeurs interpolants évolutifs"
utilitaires pour décoder des représentations profondes (comme des plongements de phrases) en texte
Apprentissage de représentations profondes des distributions de données
AutoVC : Transfert de style vocal zero-shot avec uniquement la perte d'autoencodeur
GigaModels : Un référentiel et une plateforme complets pour les modèles multimodaux, génératifs et perceptuels
Dépôt central pour les modèles fondamentaux biomoléculaires avec des formateurs et des composants de pipeline partagés
Ensembles Moléculaires (MOSES) : Une Plateforme de Benchmark pour les Modèles de Génération Moléculaire
Code d'inférence pour l'émulation évolutive d'ensembles d'équilibre protéique avec apprentissage profond génératif
Nous introduisons une nouvelle approche pour la génération de paramètres, nommée diffusion de paramètres de réseaux neuronaux (p-diff), qui emploie un modèle de diffusion latente standard pour synthétiser un nouvel ensemble de paramètres.
Implémentation officielle de « Lotus : Modèle de base visuel basé sur la diffusion pour la prédiction dense de haute qualité »
Foire aux questions
Quel est le dépôt #generative-models le plus populaire sur GitHub ?
Le projet #generative-models open source le mieux classé sur GitHub est XingangPan/DragGAN, avec 36,005 étoiles. Code Officiel pour DragGAN (SIGGRAPH 2023)
Quels langages de programmation sont les plus utilisés dans les dépôts #generative-models ?
Parmi les projets #generative-models les mieux classés sur GitHub, les langages de programmation les plus courants sont Python, Jupyter Notebook, C++, TypeScript.
Comment le classement des dépôts #generative-models est-il calculé ?
Nous suivons 88 dépôts open source actifs associés à #generative-models (500+ étoiles), totalisant 226,430 étoiles, avec une moyenne de 2,573 étoiles par dépôt. Les classements sont mis à jour quotidiennement à partir de l’API GitHub.