Awesome-CVPR2026-CVPR2025-ICCV25-CVPR2024-ECCV2024-AIGC

CVPR2024 AIGC相关论文与代码合集

整理汇总了2026年CVPR、2025年CVPR、2025年ICCV、2024年CVPR和2024年ECCV中与AIGC相关的论文和代码，具体如下。

欢迎star、fork和PR~

如有帮助，欢迎star、fork或PR~

引用或转载请注明出处

底层视觉社区信息平台：https://lowlevelcv.com/

Awesome-CVPR2026-AIGC

• Awesome-CVPR2026-AIGC

Awesome-CVPR2025-AIGC

• Awesome-CVPR2025-AIGC

Awesome-ICCV2025-AIGC

• Awesome-ICCV2025-AIGC

Awesome-CVPR2024-AIGC

• Awesome-CVPR2024-AIGC

Awesome-ECCV2024-AIGC

• Awesome-ECCV2024-AIGC

相关整理

• Awesome-ECCV2024-ECCV2020-底层视觉
• Awesome-AIGC研究组
• Awesome-底层视觉研究组
• Awesome-CVPR2024-CVPR2021-CVPR2020-底层视觉

Awesome-CVPR2026-2024-AIGC 快速上手指南

本工具并非单一的可执行软件或 Python 库，而是一个学术资源汇总列表（Awesome List）。它整理了 CVPR (2024-2026)、ICCV (2025) 和 ECCV (2024) 等顶级会议中关于 AIGC（生成式人工智能）的论文与开源代码链接。

因此，本指南旨在指导开发者如何浏览、检索并利用该列表找到所需项目，以及如何运行列表中具体的开源代码。

1. 环境准备

由于本仓库是资源索引，运行其中的具体项目需要满足各项目的独立要求。以下是通用的基础环境建议：

• 操作系统: Linux (推荐 Ubuntu 20.04/22.04), macOS, 或 Windows (WSL2)。
• 版本控制: 必须安装 git。
• 编程语言: Python 3.8+ (绝大多数 AIGC 项目基于 PyTorch)。
• 硬件要求: 取决于具体项目，通常建议配备 NVIDIA GPU (显存 >= 8GB) 以运行生成模型。
• 前置依赖:
  • Git
  • Python & Pip
  • CUDA Toolkit (根据具体项目需求安装对应版本)

国内加速方案（可选）： 若访问 GitHub 较慢，可配置国内镜像源或使用加速代理：

# 设置 pip 使用清华镜像源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

2. 获取资源列表

本工具无需传统“安装”，只需克隆仓库即可获取最新的论文与代码索引。

# 克隆仓库到本地
git clone https://github.com/Kobaayyy/Awesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC.git

# 进入目录
cd Awesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC

3. 基本使用

步骤一：查找目标项目

根据你关注的会议年份，打开对应的 Markdown 文件查找感兴趣的论文和代码链接：

• CVPR 2026: 查看 CVPR2026.md
• CVPR 2025: 查看 CVPR2025.md
• ICCV 2025: 查看 ICCV2025.md
• CVPR 2024: 查看 CVPR2024.md
• ECCV 2024: 查看 ECCV2024.md

提示：你也可以直接访问底層视觉社区信息平台获取更多分类资源：https://lowlevelcv.com/

步骤二：运行具体代码

在列表中找到目标项目后，点击其 Code 链接跳转至原项目仓库。通常遵循以下标准流程运行（以典型的 PyTorch 项目为例）：

1. 克隆具体项目：

   git clone <目标项目仓库地址>
   cd <目标项目文件夹>
   

2. 创建虚拟环境并安装依赖：

   python -m venv venv
   source venv/bin/activate  # Windows 用户请使用: venv\Scripts\activate
   
   # 安装 requirements.txt 中的依赖
   pip install -r requirements.txt
   

3. 下载预训练模型：

   • 查看原项目 README 中的 "Pretrained Models" 部分。
   • 下载权重文件并放置在指定目录（通常为 weights/ 或 checkpoints/）。

4. 运行推理或训练：

   # 示例：运行推理脚本（具体命令请参考原项目说明）
   python infer.py --config configs/example.yaml --input images/test.png
   

步骤三：贡献与更新

如果你发现了新的相关论文或代码，欢迎通过 Pull Request (PR) 贡献到此列表：

# 创建新分支
git checkout -b add-new-paper

# 编辑对应的 .md 文件，添加论文信息

# 提交并推送
git add .
git commit -m "Add new paper for CVPR202X"
git push origin add-new-paper

随后在 GitHub 页面发起 PR 请求合并。