# 视觉Transformer

基于OpenCLIP-ViT-L-14模型，引入测试时寄存器技术，提升模型可解释性和下游任务性能

该论文提出了一种将Vision Transformer (ViT) 重新解释为图像分割模型的方法，展示了ViT在图像分割任务中的潜力。

该论文提出了一种将Vision Transformer (ViT) 重新解释为图像分割模型的方法，揭示了ViT在图像分割任务中的潜力。

该论文提出了一种基于Vision Transformer (ViT) 的图像分割模型，揭示了ViT在图像分割任务中的潜力。

该论文提出了一种将Vision Transformer (ViT) 重新解释为图像分割模型的方法，展示了ViT在图像分割任务中的潜力。

该模型揭示了Vision Transformer (ViT) 在图像分割任务中的潜力，通过特定架构调整使其适用于分割任务。

该论文提出的模型揭示了Vision Transformer (ViT)在图像分割任务中的潜在能力。

该论文提出了一种新的视角，将Vision Transformer (ViT) 视为图像分割模型，并探讨了其在图像分割任务中的潜力。

该模型基于论文《你的ViT实际上是图像分割模型》开发，是一种用于图像分割任务的视觉Transformer模型。

该模型揭示了Vision Transformer (ViT) 在图像分割任务中的潜力，通过特定方法将ViT转化为高效的图像分割模型。

该模型揭示了Vision Transformer (ViT) 在图像分割任务中的潜力，通过特定架构调整使其适用于分割任务。

该论文提出了一种将Vision Transformer (ViT) 重新解释为图像分割模型的方法，展示了ViT在图像分割任务中的潜力。

该模型通过重新思考Vision Transformer (ViT) 的架构，展示了其在图像分割任务中的潜力。

基于Vision Transformer (ViT)的图像分类模型，用于区分AI生成与人类创作的图像，准确率达98%。

ViTPose++是基于视觉Transformer的人体姿态估计基础模型，在MS COCO关键点测试集上达到81.1 AP的优异表现。

ViTPose++是基于视觉Transformer的人体姿态估计基础模型，在MS COCO关键点测试集上达到81.1 AP的优异表现。

ViTPose++是基于视觉Transformer的人体姿态估计模型，在MS COCO关键点检测基准上达到81.1 AP的优异表现。

ViTPose是一个基于视觉Transformer的人体姿态估计模型，采用简洁设计在MS COCO关键点检测基准上取得81.1 AP的优异表现。

ViTPose是一个基于视觉Transformer的人体姿态估计模型，通过简单的架构设计在MS COCO等基准上取得了优异表现。

基于视觉Transformer的人体姿态估计模型，在MS COCO关键点测试集上达到81.1 AP的优异表现

ViTPose是基于视觉Transformer的人体姿态估计模型，在MS COCO关键点测试集上达到81.1 AP的精度，具有模型简洁、规模可扩展、训练灵活等优势

AIM-v2是一个基于timm库的图像编码器模型，具有3B参数规模，适用于图像特征提取任务。

AIM-v2是一个基于timm库的图像编码器模型，适用于图像特征提取任务。

这是一个基于DINOv2的视觉Transformer模型，通过添加寄存器标记改进了注意力机制，用于无监督图像特征提取。

ViTPose是基于普通视觉Transformer的人体姿态估计基线模型，通过简洁架构实现高性能关键点检测

基于MetaCLIP-2.5B数据集训练的双框架兼容视觉模型，支持OpenCLIP和timm框架

基于MetaCLIP-400M数据集训练的双框架兼容视觉模型，支持OpenCLIP和timm框架

基于Google Vision Transformer (ViT)架构的图像分类模型，专门用于从面部图像中识别五种发型类型（卷发、脏辫、扭结发、直发、波浪发），准确率达93%。

Sapiens是一个在3亿张1024x1024分辨率的人类图像上预训练的视觉变换器系列模型，专注于以人为中心的视觉任务。

Sapiens是基于3亿张高分辨率人类图像预训练的视觉Transformer模型，专注于以人为中心的视觉任务

Sapiens是基于3亿张1024×1024分辨率人体图像预训练的视觉Transformer模型，支持高分辨率推理和真实场景泛化。

智人（Sapiens）是基于3亿张高分辨率人类图像预训练的视觉Transformer模型，专注于以人为中心的视觉任务。

Sapiens是一个基于3亿张1024x1024分辨率人类图像预训练的视觉Transformer模型家族，专注于以人为中心的视觉任务。

Sapiens是基于3亿张人类图像预训练的视觉Transformer模型，专注于以人为中心的分割任务，支持1K高分辨率推理。

Sapiens是基于3亿张1024×1024分辨率人体图像预训练的视觉Transformer模型，擅长以人为中心的视觉任务。

Sapiens是一个基于3亿张1024x1024分辨率人类图像预训练的视觉Transformer模型家族，专注于以人为中心的视觉任务。

MASt3R是一个基于ViT架构的图像转3D模型，能够实现图像与3D空间的匹配

基于Google Vision Transformer (ViT)架构微调的印度手语图像分类模型，准确率达99.05%

使用Vision Transformer (ViT)架构的面部图像分类模型，用于检测干性、中性、油性三种皮肤类型

Depth Anything 是一个基于大规模无标签数据训练的深度估计模型，能够从单张图像中预测深度信息。