使用Llama模型的语音合成工具

零样本风格化情侣肖像创作

轻量级嵌套架构，用于语音反欺诈。

一种通过视觉上下文学习的通用图像生成框架。

一种无混叠的任意尺度超分辨率方法。

通过多实例扩散模型将单张图像生成高保真度的3D场景。

PhotoDoodle 是一个基于少量样本对数据学习艺术图像编辑的代码实现。

Lumina-Video 是一个用于视频生成的初步尝试项目，支持文本到视频的生成。

一种非侵入式脑机接口技术，通过脑电图或脑磁图解码大脑活动以实现文本输入。

《动手学深度学习》：面向中文读者、能运行、可讨论，《动手学深度学习》：面向中文读者、能运行、可讨论官网入口网址

DeepFloyd IF是一个强大的文本到图像生成模型，能够生成高分辨率和逼真度的图像。它结合了先进的语言理解和图像生成技术，提供了多种功能，如超分辨率、风格迁移和零样本学习，DeepFloyd官网入口网址

8B参数变分自编码器模型，用于高效的文本到图像生成。

一个基于深度学习的图像和视频描述模型。

Pusa 是一个新颖的视频扩散模型，支持多种视频生成任务。

为 Diffusion Transformer 提供高效灵活的控制框架。

基于 DiT 的人类图像动画框架，实现精细控制与长效一致性。

一款先进的视觉推理模型，能分析图片和视频内容。

一款用于生成信息图表的视觉文本渲染工具。

CogView4-6B 是一个强大的文本到图像生成模型，专注于高质量图像生成。

AI研究资源导航网站，提供AI研究资源、文档和实践案例

Video Depth Anything: Consistent Depth Estimation for Super-Long Videos

高容量真实世界图像修复与隐私安全数据管理

70B参数的文本生成模型

快速且内存高效的精确注意力机制

BAGEL是一款开源的统一多模态模型，您可以在任何地方进行微调、精简和部署。

此应用可根据文本描述生成图像，或提供现有图像的描述和答案。

基于自回归变换器生成人工制作的 3D 原始装配体。

一种高效的无泄漏唇同步技术。

一款高质量的英语自动语音识别模型，支持标点符号和时间戳预测。

用于理解任意视频中的相机运动的工具。

F Lite 是一款 10B 参数的扩散模型，专注于合法和安全内容。

开放源代码的 8B 参数文本到图像扩散模型。