# 視覺Transformer

基於OpenCLIP-ViT-L-14模型，引入測試時寄存器技術，提升模型可解釋性和下游任務性能

該論文提出了一種將Vision Transformer (ViT) 重新解釋為圖像分割模型的方法，展示了ViT在圖像分割任務中的潛力。

該論文提出了一種將Vision Transformer (ViT) 重新解釋為圖像分割模型的方法，揭示了ViT在圖像分割任務中的潛力。

該論文提出了一種基於Vision Transformer (ViT) 的圖像分割模型，揭示了ViT在圖像分割任務中的潛力。

該論文提出了一種將Vision Transformer (ViT) 重新解釋為圖像分割模型的方法，展示了ViT在圖像分割任務中的潛力。

該模型揭示了Vision Transformer (ViT) 在圖像分割任務中的潛力，通過特定架構調整使其適用於分割任務。

該論文提出的模型揭示了Vision Transformer (ViT)在圖像分割任務中的潛在能力。

該論文提出了一種新的視角，將Vision Transformer (ViT) 視為圖像分割模型，並探討了其在圖像分割任務中的潛力。

該模型基於論文《你的ViT實際上是圖像分割模型》開發，是一種用於圖像分割任務的視覺Transformer模型。

該模型揭示了Vision Transformer (ViT) 在圖像分割任務中的潛力，通過特定方法將ViT轉化為高效的圖像分割模型。

該模型揭示了Vision Transformer (ViT) 在圖像分割任務中的潛力，通過特定架構調整使其適用於分割任務。

該論文提出了一種將Vision Transformer (ViT) 重新解釋為圖像分割模型的方法，展示了ViT在圖像分割任務中的潛力。

該模型通過重新思考Vision Transformer (ViT) 的架構，展示了其在圖像分割任務中的潛力。

基於Vision Transformer (ViT)的圖像分類模型，用於區分AI生成與人類創作的圖像，準確率達98%。

ViTPose++是基於視覺Transformer的人體姿態估計基礎模型，在MS COCO關鍵點測試集上達到81.1 AP的優異表現。

ViTPose++是基於視覺Transformer的人體姿態估計基礎模型，在MS COCO關鍵點測試集上達到81.1 AP的優異表現。

ViTPose++是基於視覺Transformer的人體姿態估計模型，在MS COCO關鍵點檢測基準上達到81.1 AP的優異表現。

ViTPose是一個基於視覺Transformer的人體姿態估計模型，採用簡潔設計在MS COCO關鍵點檢測基準上取得81.1 AP的優異表現。

ViTPose是一個基於視覺Transformer的人體姿態估計模型，通過簡單的架構設計在MS COCO等基準上取得了優異表現。

基於視覺Transformer的人體姿態估計模型，在MS COCO關鍵點測試集上達到81.1 AP的優異表現

ViTPose是基於視覺Transformer的人體姿態估計模型，在MS COCO關鍵點測試集上達到81.1 AP的精度，具有模型簡潔、規模可擴展、訓練靈活等優勢

AIM-v2是一個基於timm庫的圖像編碼器模型，具有3B參數規模，適用於圖像特徵提取任務。

AIM-v2是一個基於timm庫的圖像編碼器模型，適用於圖像特徵提取任務。

這是一個基於DINOv2的視覺Transformer模型，通過添加寄存器標記改進了注意力機制，用於無監督圖像特徵提取。

ViTPose是基於普通視覺Transformer的人體姿態估計基線模型，通過簡潔架構實現高性能關鍵點檢測

基於MetaCLIP-2.5B數據集訓練的雙框架兼容視覺模型，支持OpenCLIP和timm框架

基於MetaCLIP-400M數據集訓練的雙框架兼容視覺模型，支持OpenCLIP和timm框架

基於Google Vision Transformer (ViT)架構的圖像分類模型，專門用於從面部圖像中識別五種髮型類型（捲髮、髒辮、扭結髮、直髮、波浪發），準確率達93%。

Sapiens是一個在3億張1024x1024分辨率的人類圖像上預訓練的視覺變換器系列模型，專注於以人為中心的視覺任務。

Sapiens是基於3億張高分辨率人類圖像預訓練的視覺Transformer模型，專注於以人為中心的視覺任務

Sapiens是基於3億張1024×1024分辨率人體圖像預訓練的視覺Transformer模型，支持高分辨率推理和真實場景泛化。

智人（Sapiens）是基於3億張高分辨率人類圖像預訓練的視覺Transformer模型，專注於以人為中心的視覺任務。

Sapiens是一個基於3億張1024x1024分辨率人類圖像預訓練的視覺Transformer模型家族，專注於以人為中心的視覺任務。

Sapiens是基於3億張人類圖像預訓練的視覺Transformer模型，專注於以人為中心的分割任務，支持1K高分辨率推理。

Sapiens是基於3億張1024×1024分辨率人體圖像預訓練的視覺Transformer模型，擅長以人為中心的視覺任務。

Sapiens是一個基於3億張1024x1024分辨率人類圖像預訓練的視覺Transformer模型家族，專注於以人為中心的視覺任務。

MASt3R是一個基於ViT架構的圖像轉3D模型，能夠實現圖像與3D空間的匹配

基於Google Vision Transformer (ViT)架構微調的印度手語圖像分類模型，準確率達99.05%

使用Vision Transformer (ViT)架構的面部圖像分類模型，用於檢測乾性、中性、油性三種皮膚類型

Depth Anything 是一個基於大規模無標籤數據訓練的深度估計模型，能夠從單張圖像中預測深度信息。