# 高分辨率圖像處理

Kimi-VL-A3B-Thinking-2506 是 Kimi-VL-A3B-Thinking 的升級版，在多模態推理、視覺感知與理解、視頻場景處理等方面有顯著提升，支持更高分辨率圖像，且能在消耗更少令牌的情況下實現更智能的思考。

DeepEyes是一個通過強化學習激勵'以圖思考'的視覺語言模型，能夠將視覺信息直接融入推理鏈，在圖像文本處理任務中表現出色。

UniME是一個基於多模態大模型的通用嵌入學習框架，通過文本判別知識蒸餾和硬負樣本增強的指令調優策略，顯著提升了多模態嵌入能力。

20億參數的自監督視覺Transformer模型，基於嚴格篩選的網絡圖像數據訓練，特別優化圖表和文本理解能力

UniME是一個基於多模態大模型的通用嵌入學習模型，採用336×336圖像分辨率訓練，在MMEB排行榜上位列第一。

感知編碼器是通過簡單視覺-語言學習訓練的最先進的圖像和視頻理解編碼器，在多種視覺任務上實現了最先進的性能。

基於Swin Transformer架構的UPerNet語義分割模型，適用於高精度圖像分割任務

基於Swin Transformer小型架構的UPerNet語義分割模型，適用於ADE20K等場景解析任務

UPerNet是一個基於ConvNeXt-Tiny架構的語義分割模型，適用於圖像分割任務。

基於Vision Transformer架構的視覺模型，採用SigLIP（Sigmoid Loss for Language-Image Pretraining）訓練方法，適用於圖像理解任務。

Meta開發的大規模視覺編碼器模型，通過對比預訓練和合成視頻數據微調，在各類視覺任務中達到最先進性能

針對珊瑚礁語義分割任務優化的SegFormer模型，在1024x1024分辨率下對Coralscapes數據集進行微調

這是一個基於SegFormer架構的語義分割模型，專門針對珊瑚礁生態系統的圖像分割任務進行了優化，在Coralscapes數據集上微調。

AIM-v2是一個高效的圖像編碼器模型，兼容timm框架，適用於計算機視覺任務。

EVA CLIP模型是基於OpenCLIP和timm模型權重的視覺語言模型，支持零樣本圖像分類等任務。

DFN5B-CLIP的視覺編碼器部分，基於ViT-Huge架構，使用378x378分辨率圖像訓練的CLIP模型

基於SigLIP圖像編碼器的視覺模型，帶全局平均池化，是PaliGemma2模型的一部分

基於SigLIP圖像編碼器的視覺語言模型，採用全局平均池化處理，適用於多模態任務。

基於Segformer架構的語義分割模型，針對Cityscapes數據集進行了優化

基於Segformer架構的輕量級語義分割模型，預訓練於Cityscapes數據集

基於Segformer架構的語義分割模型，專門針對Cityscapes數據集進行優化

基於PyTorch的Segformer模型，用於語義分割任務，在ADE20K數據集上預訓練

mPLUG-Owl3是一款先進的多模態大語言模型，專注於解決長圖像序列理解問題，通過超注意力機制顯著提升處理速度和序列長度支持。

該模型是基於openai/clip-vit-large-patch14-336微調的版本，主要用於圖像-文本匹配任務。

基於BEiT架構的丹麥真菌分類模型，專門用於識別和分類真菌物種。

Idefics2 是一個開放的多模態模型，能夠接受任意序列的圖像和文本輸入並生成文本輸出。該模型可以回答關於圖像的問題、描述視覺內容、基於多張圖像創作故事，或僅作為純語言模型使用。

LLaVA-JP是一個支持日語的多模態視覺語言模型，能夠理解和生成關於輸入圖像的描述和對話。

InternViT-6B-448px-V1-5是基於InternViT-6B-448px-V1-2微調的視覺基礎模型，具備強大的魯棒性、OCR能力及高分辨率處理能力。

Idefics2 是 Hugging Face 開發的開源多模態模型，能夠處理圖像和文本輸入並生成文本輸出，在 OCR、文檔理解和視覺推理方面表現優異。

ViTamin-XL-256px是基於ViTamin架構的視覺語言模型，專為高效視覺特徵提取和多模態任務設計，支持高分辨率圖像處理。

ViTamin-XL-384px 是一個基於 ViTamin 架構的大規模視覺語言模型，專為視覺語言任務設計，支持高分辨率圖像處理和多模態特徵提取。

基於SigLIP的視覺模型，通過插值位置嵌入提升最大分辨率至980x980，並實現NaViT策略支持可變分辨率和保持寬高比的圖像處理

ChatTruth-7B是基於Qwen-VL架構優化的多語言視覺-語言模型，增強了大分辨率圖像處理能力並引入還原模塊降低計算開銷

基於Stable Diffusion XL (SDXL)進行指令微調的圖像編輯模型，採用InstructPix2Pix方法，支持通過自然語言指令編輯圖像。

基於視覺Transformer（ViT）的圖像特徵模型，採用自監督DINOv2方法在LVD-142M數據集上預訓練

基於Google Vision Transformer (ViT)架構的預訓練模型，在EuroSat數據集上進行了微調，適用於遙感圖像分類任務。

SegFormer是一個基於Transformer架構的語義分割模型，在ADE20k數據集上進行了微調，適用於圖像分割任務。

在1024x1024分辨率下對CityScapes數據集進行微調的SegFormer語義分割模型，採用分層Transformer編碼器和輕量級全MLP解碼頭架構。