# 高解像度処理

80億の言語注釈なしウェブ画像で訓練された70億パラメータの視覚Transformerモデル。自己教師あり学習により優れた視覚表現能力を実現

このモデルは改良版vnetアーキテクチャを使用して画像から画像への処理を行い、敵対的処理、美的強化、品質向上などのタスクをサポートします

このモデルは改良版vnetアーキテクチャを使用して2D画像処理を行い、画像間変換タスクに焦点を当てており、敵対的および美的最適化特性を備えています。

C-RADIOv2はNVIDIAが開発した視覚特徴抽出モデルで、複数のサイズバージョンを提供し、画像理解と高密度処理タスクに適しています。

C-RADIOv2はNVIDIAが開発した視覚特徴抽出モデルで、複数のサイズバージョンを提供し、画像理解や高密度視覚タスクに適しています。

AIM-v2はtimmライブラリに基づく画像エンコーダーモデルで、3Bパラメータ規模を持ち、画像特徴抽出タスクに適しています。

AIM-v2はtimmライブラリに基づく画像エンコーダーモデルで、画像特徴抽出タスクに適しています。

ResNet50アーキテクチャに基づくCLIPモデルの画像エンコーダー、64倍の幅拡張を備え、グローバル平均プーリング(GAP)戦略を使用

CLIPフレームワークに基づくResNet50x16バリアントモデル、画像特徴抽出に特化

CLIPアーキテクチャに基づくViT-Huge画像エンコーダーで、AppleがリリースしたDFN5B-CLIPモデル。視覚特徴抽出タスクに適しています。

SigLIP画像エンコーダーに基づく視覚モデルで、グローバル平均プーリングを採用し、PaliGemmaプロジェクトの一部です

SigLIPベースの視覚Transformerモデル、グローバル平均プーリングで画像特徴を処理

SigLIPアーキテクチャに基づく視覚Transformerモデル、画像エンコーダ部分のみを含み、オリジナルのアテンションプーリングメカニズムを採用

SigLIPベースのViT-B-16視覚Transformerモデル、画像エンコーダーのみを含み、オリジナルアテンションプーリングを採用

CLIPアーキテクチャに基づくConvNeXt-Large画像エンコーダー、LAION-2Bデータセットでファインチューニング済み、320x320解像度の画像特徴抽出に対応

Mini-InternVL2-DA-RSはリモートセンシング画像分野に最適化されたマルチモーダルモデルで、Mini-InternVLアーキテクチャを基に、ドメイン適応フレームワークで微調整され、リモートセンシング画像理解タスクで優れた性能を発揮します。

DepthPro は単眼深度推定モデルで、単一の画像から深度を予測できます。

TimeSformer-HRは、高解像度ビデオに最適化され、Kinetics-600データセットでファインチューニングされたビデオ行動認識モデルです。

DUSt3Rは、画像から簡単に幾何学的3Dビジョンを実現するモデルで、単一または複数の画像から3Dシーンを再構築できます。

NVIDIAが開発した視覚特徴抽出モデルで、画像埋め込みを生成し、画像分類などの下流タスクをサポートします。

Vision Transformerアーキテクチャに基づく大規模視覚言語モデル、ゼロショット画像分類タスクをサポート

このモデルはFacebookのConvNeXtV2アーキテクチャを基にしたファインチューニング版で、Pixivランキング画像のマルチラベル分類タスク向けに特別に訓練されています

美学シャドウは11億パラメータを持つ視覚Transformerモデルで、アニメ画像の品質評価のために設計されました。

SegFormerアーキテクチャに基づく衛星画像セグメンテーションモデル、都市領域分割タスク専用に設計

EVA02アーキテクチャに基づく大規模視覚-言語モデル、ゼロショット画像分類タスクをサポート

EVA02はCLIPアーキテクチャに基づく大規模な視覚-言語モデルで、ゼロショット画像分類タスクをサポートします。

EfficientNetはモバイルフレンドリーな純粋な畳み込みモデルで、複合係数による深さ/幅/解像度の統一スケーリングを行い、ImageNet-1kデータセットで学習されています

ConvNeXt-V2に基づく自己教師あり特徴表現モデルで、全畳み込みマスク自己符号化器フレームワーク(FCMAE)を使用して事前学習されており、画像分類や特徴抽出タスクに適しています。

TimeSformerは時空間アテンションメカニズムに基づくビデオ分類モデルで、Something Something v2データセットでファインチューニングされています。

TimeSformerは時空間アテンション機構に基づくビデオ理解モデルで、高解像度バリアントはKinetics-600データセット向けに特別にファインチューニングされています。

TimeSformerは空間-時間注意メカニズムに基づくビデオ理解モデルで、このバージョンはSomething Something v2データセットでファインチューニングされた高解像度バリアントです。

TimeSformerは、空間-時間アテンションメカニズムに基づくビデオ理解モデルで、Kinetics-400データセットで事前学習とファインチューニングが行われています。

BEiTは、ビジュアルTransformer（ViT）アーキテクチャに基づくモデルで、自己教師付き学習によりImageNet - 21kで事前学習され、ADE20kデータセットで微調整され、画像セマンティックセグメンテーションタスクに特化しています。

SegFormerはTransformerアーキテクチャに基づくセマンティックセグメンテーションモデルで、Cityscapesデータセットでファインチューニングされ、道路シーンのセグメンテーションタスクに適しています。

Transformerアーキテクチャに基づく大規模画像分類モデルで、ImageNet - 21kとImageNet - 1kデータセットで事前学習と微調整を行っています。