Transformer-in-Computer-Vision

GitHub
1.4k 151 非常简单 1 次阅读 昨天开发框架图像语言模型
AI 解读 由 AI 自动生成，仅供参考

Transformer-in-Computer-Vision 是一个专注于计算机视觉领域的学术资源库，系统性地整理了近年来基于 Transformer 架构的前沿研究论文。随着 Transformer 模型从自然语言处理成功跨界至视觉任务，相关研究成果呈现爆发式增长，研究人员往往难以在海量文献中快速定位特定方向的最新进展。该项目正是为了解决这一痛点而生，它将分散的学术成果按应用场景进行了精细化分类，涵盖目标检测、图像分割、三维重建、医疗影像、自动驾驶、生成式模型等数十个细分领域，并持续更新综述文章与代码实现链接。

这份清单不仅适合高校研究人员和算法工程师用于追踪技术前沿、开展文献调研，也能为正在寻找特定任务解决方案的开发者提供宝贵的参考索引。其核心亮点在于极高的时效性与全面的覆盖面：目录结构清晰，从基础的分类骨干网络到复杂的跨模态学习、神经渲染等高级话题应有尽有，且明确标注了论文对应的开源代码地址。对于希望深入理解 Transformer 如何重塑计算机视觉格局的专业人士而言，Transformer-in-Computer-Vision 是一份不可或缺的高效导航图，帮助大家节省检索时间，快速把握技术脉搏。

使用场景

某自动驾驶初创公司的算法团队正致力于研发基于视觉的夜间行人检测系统，急需寻找最适合处理低光照条件的最新 Transformer 架构。

没有 Transformer-in-Computer-Vision 时

  • 文献检索效率低下：研究人员需在 arXiv、Google Scholar 等多个平台手动搜索"Transformer + Low-light Detection"，耗时数天仍难以覆盖最新成果。
  • 细分领域定位困难：海量论文中混杂着分类、分割等不同任务的研究，难以快速筛选出专门针对“检测（Detection）”或“去噪（Denoising）”的特定工作。
  • 代码复现成本高：找到论文后，往往需要额外花费大量时间寻找官方开源代码链接，甚至因找不到实现而无法验证算法效果。
  • 技术视野受限：容易遗漏跨领域的创新思路（如将去雨 Deraining 或去雾 Dehazing 的技术迁移到夜间增强），导致方案选型局限于传统 CNN 架构。

使用 Transformer-in-Computer-Vision 后

  • 一站式精准获取：团队直接查阅"Detection"和"Denoising"分类目录，几分钟内即可获取该领域截至 2025 年的最新论文清单。
  • 任务导向清晰：利用详细的目录结构，迅速锁定与夜间场景强相关的“增强（Enhancement）”和“小目标检测”子类，排除无关干扰。
  • 研发表加速：列表中直接附带可用代码链接，工程师能立即拉取基准模型进行微调，将原本数周的预研周期缩短至几天。
  • 跨界灵感激发：通过浏览"Low Dynamic Range Imaging"或"Restoration"等相邻板块，成功引入图像恢复领域的 Transformer 变体，显著提升了暗光下的识别率。

Transformer-in-Computer-Vision 将分散的学术前沿整合为结构化的知识地图，让研发团队从繁琐的文献挖掘中解放出来，专注于核心算法的创新与落地。

运行环境要求

GPU

未说明

内存

未说明

依赖
notes该项目是一个计算机视觉领域 Transformer 相关论文的列表合集（Awesome List），并非可执行的软件工具或代码库，因此没有具体的运行环境、依赖库或硬件需求。用户可通过提供的链接访问各个子领域的论文列表及对应的代码仓库（如果可用）。
python未说明
Transformer-in-Computer-Vision hero image

快速开始

视觉中的TransformerAwesome

这是一份关于近期基于Transformer的计算机视觉研究论文列表。如果您发现有被遗漏的论文，请提交Issue或Pull Request。

!!最新版本已更新，您可以点击以下链接查看论文列表及代码（如有）。旧版本为20240323。

**最后更新：2025年11月19日

目录

联系与反馈

如果您对本项目有任何建议，欢迎随时联系我。

  • [电子邮箱: yzhangcst[at]gmail.com]

相似工具推荐

openclaw

OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你

★ 349.3k|★★★☆☆|今天
Agent开发框架图像

stable-diffusion-webui

stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。

★ 162.1k|★★★☆☆|昨天
开发框架图像Agent

everything-claude-code

everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上

★ 141.5k|★★☆☆☆|今天
开发框架Agent语言模型

ComfyUI

ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。

★ 107.9k|★★☆☆☆|今天
开发框架图像Agent

LLMs-from-scratch

LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备

★ 90.1k|★★★☆☆|今天
语言模型图像Agent

Deep-Live-Cam

Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。 这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。 其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。

★ 88.9k|★★★☆☆|今天
开发框架图像Agent