
Video Depth Anything
Video Depth Anything 是一个基于深度学习的视频深度估计模型,能够为超长视频提供高质量、时间一致的深度估计。该技术基于 Depth Anything V2 开发,具有强大的泛化能力和稳定性。其主要优点包括对任意长度视频的深度估计能力、时间一致性以及对开放世界视频的良好适应性。该模型由字节跳动的研究团队开发,旨在解决长视频深度估计中的挑战,如时间一致性问题和复杂场景的适应性问题。目前,该模型的代码和演示已公开,供研究人员和开发者使用。
视频编辑
56.3K

Stereocrafter
StereoCrafter是一个创新的框架,它利用基础模型作为先验,通过深度估计和立体视频修复技术,将2D视频转换为沉浸式立体3D视频。这项技术突破了传统方法的局限,提高了显示设备所需的高保真度生成性能。StereoCrafter的主要优点包括能够处理不同长度和分辨率的视频输入,以及通过自回归策略和分块处理来优化视频处理。此外,StereoCrafter还开发了复杂的数据处理流程,以重建大规模、高质量的数据集,支持训练过程。这个框架为3D设备(如Apple Vision Pro和3D显示器)创造沉浸式内容提供了实际的解决方案,可能改变我们体验数字媒体的方式。
视频生成
60.7K

Megasam
MegaSaM是一个系统,它允许从动态场景的单目视频中准确、快速、稳健地估计相机参数和深度图。该系统突破了传统结构从运动和单目SLAM技术的局限,这些技术通常假设输入视频主要包含静态场景和大量视差。MegaSaM通过深度视觉SLAM框架的精心修改,能够扩展到真实世界中复杂动态场景的视频,包括具有未知视场和不受限制相机路径的视频。该技术在合成和真实视频上的广泛实验表明,与先前和并行工作相比,MegaSaM在相机姿态和深度估计方面更为准确和稳健,运行时间更快或相当。
3D建模
50.5K

Prompt Depth Anything
Prompt Depth Anything是一种用于高分辨率和高精度度量深度估计的方法。该方法通过使用提示(prompting)技术,激发深度基础模型的潜力,利用iPhone LiDAR作为提示,引导模型产生高达4K分辨率的精确度量深度。此外,该方法还引入了可扩展的数据管道进行训练,并发布了更详细的ScanNet++数据集深度注释。该技术的主要优点包括高分辨率、高精度的深度估计,以及对下游应用如3D重建和通用机器人抓取的益处。
3D建模
69.6K

Depth Pro
Depth Pro是一个用于单目深度估计的研究项目,它能够快速生成高精度的深度图。该模型利用多尺度视觉变换器进行密集预测,并结合真实与合成数据集进行训练,以实现高准确度和细节捕捉。它在标准GPU上生成2.25百万像素深度图仅需0.3秒,具有速度快、精度高的特点,对于机器视觉和增强现实等领域具有重要意义。
AI图像生成
62.1K

Depth Anything V2
Depth Anything V2 是一个经过改进的单目深度估计模型,它通过使用合成图像和大量未标记的真实图像进行训练,提供了比前一版本更精细、更鲁棒的深度预测。该模型在效率和准确性方面都有显著提升,速度比基于Stable Diffusion的最新模型快10倍以上。
AI图像生成
123.4K
中文精选

Depth Anything
Depth Anything是一个高度实用的解决方案,用于稳健的单目深度估计。我们旨在构建一个简单而强大的基础模型,处理任何情况下的任何图像,而不追求新颖的技术模块。为此,我们通过设计数据引擎来扩大数据集,收集并自动注释大规模未标记数据(约62M),从而显着扩大数据覆盖范围,从而能够减少泛化误差。我们研究了两种简单而有效的策略,使数据扩展变得有前途。首先,通过利用数据增强工具创建更具挑战性的优化目标。它迫使模型积极寻求额外的视觉知识并获得强大的表示。其次,开发了辅助监督,以强制模型从预训练编码器中继承丰富的语义先验。我们对其零-shot能力进行了广泛评估,包括六个公共数据集和随机拍摄的照片。它展现出令人印象深刻的泛化能力。此外,通过使用来自NYUv2和KITTI的度量深度信息对其进行微调,我们建立了新的SOTAs。我们更好的深度模型也导致更好的深度条件ControlNet。我们的模型发布在https://github.com/LiheYoung/Depth-Anything。
AI图像生成
173.9K

Control LoRA
Control-LoRA 是通过在 ControlNet 上添加低秩参数优化来实现的,为消费级 GPU 提供了更高效、更紧凑的模型控制方法。该产品包含多个 Control-LoRA 模型,包括 MiDaS 和 ClipDrop 深度估计、Canny 边缘检测、照片和素描上色、Revision 等功能。Control-LoRA 模型经过训练,可以在不同的图像概念和纵横比上生成高质量的图像。
AI图像生成
62.7K

Dpt Depth
Dpt Depth是一款基于 Dpt 深度估计和 3D 技术的图像处理工具。它可以通过输入的图像快速估计出深度信息,并根据深度信息生成相应的三维模型。Dpt Depth Estimation + 3D 功能强大,易于使用,可广泛应用于计算机视觉、图像处理等领域。该产品提供免费试用版本和付费订阅版本。
AI图像处理
157.0K
精选AI产品推荐
中文精选

Nocode
NoCode 是一款无需编程经验的平台,允许用户通过自然语言描述创意并快速生成应用,旨在降低开发门槛,让更多人能实现他们的创意。该平台提供实时预览和一键部署功能,非常适合非技术背景的用户,帮助他们将想法转化为现实。
开发平台
100.5K
优质新品

Listenhub
ListenHub 是一款轻量级的 AI 播客生成工具,支持中文和英语,基于前沿 AI 技术,能够快速生成用户感兴趣的播客内容。其主要优点包括自然对话和超真实人声效果,使得用户能够随时随地享受高品质的听觉体验。ListenHub 不仅提升了内容生成的速度,还兼容移动端,便于用户在不同场合使用。产品定位为高效的信息获取工具,适合广泛的听众需求。
音频生成
82.0K
国外精选

Lovart
Lovart 是一款革命性的 AI 设计代理,能够将创意提示转化为艺术作品,支持从故事板到品牌视觉的多种设计需求。其重要性在于打破传统设计流程,节省时间并提升创意灵感。Lovart 当前处于测试阶段,用户可加入等候名单,随时体验设计的乐趣。
AI设计工具
102.4K

Fastvlm
FastVLM 是一种高效的视觉编码模型,专为视觉语言模型设计。它通过创新的 FastViTHD 混合视觉编码器,减少了高分辨率图像的编码时间和输出的 token 数量,使得模型在速度和精度上表现出色。FastVLM 的主要定位是为开发者提供强大的视觉语言处理能力,适用于各种应用场景,尤其在需要快速响应的移动设备上表现优异。
AI模型
84.2K
国外精选

Smart PDFs
Smart PDFs 是一个在线工具,利用 AI 技术快速分析 PDF 文档,并生成简明扼要的总结。它适合需要快速获取文档要点的用户,如学生、研究人员和商务人士。该工具使用 Llama 3.3 模型,支持多种语言,是提高工作效率的理想选择,完全免费使用。
文章摘要
51.9K

Keysync
KeySync 是一个针对高分辨率视频的无泄漏唇同步框架。它解决了传统唇同步技术中的时间一致性问题,同时通过巧妙的遮罩策略处理表情泄漏和面部遮挡。KeySync 的优越性体现在其在唇重建和跨同步方面的先进成果,适用于自动配音等实际应用场景。
视频编辑
79.2K

Anyvoice
AnyVoice是一款领先的AI声音生成器,采用先进的深度学习模型,将文本转换为与人类无法区分的自然语音。其主要优点包括超真实的声音效果、多语言支持、快速生成能力以及语音定制功能。该产品适用于多种场景,如内容创作、教育、商业和娱乐制作等,旨在为用户提供高效、便捷的语音生成解决方案。目前产品提供免费试用,适合不同层次的用户。
音频生成
651.1K
中文精选

Liblibai
LiblibAI是一个中国领先的AI创作平台,提供强大的AI创作能力,帮助创作者实现创意。平台提供海量免费AI创作模型,用户可以搜索使用模型进行图像、文字、音频等创作。平台还支持用户训练自己的AI模型。平台定位于广大创作者用户,致力于创造条件普惠,服务创意产业,让每个人都享有创作的乐趣。
AI模型
8.0M