# 高分辨率處理

基於80億無語言標註網絡圖像訓練的70億參數視覺Transformer模型，通過自監督學習實現卓越的視覺表徵能力

該模型使用改進的vnet架構進行圖像到圖像處理，支持對抗性、美學和質量增強等任務

該模型使用改進的vnet架構進行2D圖像處理，專注於圖像到圖像的轉換任務，具有對抗性和美學優化特性。

C-RADIOv2是NVIDIA開發的視覺特徵提取模型，提供多種規格版本，適用於圖像理解和密集處理任務。

C-RADIOv2是NVIDIA開發的視覺特徵提取模型，提供多種尺寸版本，適用於圖像理解和密集視覺任務。

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。

基於ResNet50架構的CLIP模型圖像編碼器，具有64倍寬度擴展，使用全局平均池化(GAP)策略

基於CLIP框架的ResNet50x16變體模型，專注於圖像特徵提取

基於CLIP架構的ViT-Huge圖像編碼器，由蘋果公司發佈的DFN5B-CLIP模型，適用於視覺特徵提取任務。

基於SigLIP圖像編碼器的視覺模型，採用全局平均池化，是PaliGemma項目的一部分

基於SigLIP的視覺Transformer模型，採用全局平均池化處理圖像特徵

基於SigLIP架構的視覺Transformer模型，僅包含圖像編碼器部分，採用原始注意力池化機制

基於SigLIP的ViT-B-16視覺Transformer模型，僅包含圖像編碼器，採用原始注意力池化

基於CLIP架構的ConvNeXt-Large圖像編碼器，在LAION-2B數據集上微調，支持320x320分辨率圖像特徵提取

Mini-InternVL2-DA-RS是針對遙感圖像領域優化的多模態模型，基於Mini-InternVL架構，通過領域適配框架微調，在遙感圖像理解任務上表現優異。

DepthPro 是一種單目深度估計模型，能夠通過單張圖像預測深度。

TimeSformer-HR 是一個基於視頻的動作識別模型，專門針對高分辨率視頻進行了優化，並在 Kinetics-600 數據集上進行了微調。

DUSt3R是一個用於從圖像輕鬆實現幾何3D視覺的模型，能夠從單張或多張圖像重建3D場景。

NVIDIA開發的視覺特徵提取模型，用於生成圖像嵌入，支持下游任務如圖像分類。

基於Vision Transformer架構的大規模視覺語言模型，支持零樣本圖像分類任務

該模型是基於Facebook ConvNeXtV2架構的微調版本，專門針對Pixiv排行榜圖像進行多標籤分類任務訓練

美學陰影是一款擁有11億參數的視覺Transformer模型，專為評估動漫圖像質量而設計。

基於SegFormer架構的衛星圖像分割模型，專為城市區域分割任務設計

基於EVA02架構的大規模視覺-語言模型，支持零樣本圖像分類任務

EVA02是一個基於CLIP架構的大規模視覺-語言模型，支持零樣本圖像分類任務。

EfficientNet是一款移動端友好的純卷積模型，通過複合係數統一縮放深度/寬度/分辨率維度，在ImageNet-1k數據集上訓練

基於ConvNeXt-V2的自監督特徵表示模型，採用全卷積掩碼自編碼器框架(FCMAE)進行預訓練，適用於圖像分類和特徵提取任務。

TimeSformer是一個基於時空注意力機制的視頻分類模型，在Something Something v2數據集上進行了微調。

TimeSformer是一種基於時空注意力機制的視頻理解模型，高分辨率變體專門針對Kinetics-600數據集進行了微調。

TimeSformer是基於空間-時間注意力機制的視頻理解模型，該版本是在Something Something v2數據集上微調的高分辨率變體。

TimeSformer是一種基於空間-時間注意力機制的視頻理解模型，在Kinetics-400數據集上進行了預訓練和微調。

基於Transformer架構的大規模圖像分類模型，在ImageNet-21k和ImageNet-1k數據集上預訓練和微調

SegFormer是一個基於Transformer架構的語義分割模型，在Cityscapes數據集上進行了微調，適用於道路場景分割任務。

BEiT是一種基於視覺Transformer（ViT）架構的模型，通過自監督學習在ImageNet-21k上預訓練，並在ADE20k數據集上微調，專門用於圖像語義分割任務。