产品库

高精度单目深度估计模型

Depth Pro是一个用于单目深度估计的研究项目，它能够快速生成高精度的深度图。该模型利用多尺度视觉变换器进行密集预测，并结合真实与合成数据集进行训练，以实现高准确度和细节捕捉。它在标准GPU上生成2.25百万像素深度图仅需0.3秒，具有速度快、精度高的特点，对于机器视觉和增强现实等领域具有重要意义。

先进的单目深度估计模型

Depth Anything V2 是一个经过改进的单目深度估计模型，它通过使用合成图像和大量未标记的真实图像进行训练，提供了比前一版本更精细、更鲁棒的深度预测。该模型在效率和准确性方面都有显著提升，速度比基于Stable Diffusion的最新模型快10倍以上。

Dpt 深度估计 + 3D

Dpt Depth是一款基于 Dpt 深度估计和 3D 技术的图像处理工具。它可以通过输入的图像快速估计出深度信息，并根据深度信息生成相应的三维模型。Dpt Depth Estimation + 3D 功能强大，易于使用，可广泛应用于计算机视觉、图像处理等领域。该产品提供免费试用版本和付费订阅版本。

学习和创建增强现实

AI现实是一个通过文本学习和创建增强现实的平台。用户可以通过描述他们想要创建的简单场景，获取相应的增强现实源代码。平台提供稳定扩散生成的图像，可以在现实环境中进行AR体验。此外，AI现实还提供创意头脑风暴和实验项目。用户通过订阅平台，可以享受成为名人堂一员、访问项目库、获得未来课程折扣以及使用新的实验项目等特权。

大规模实景数据集,用于深度学习三维视觉研究

DL3DV-10K是一个包含超过10000个高质量视频的大规模实景数据集,每个视频都经过人工标注场景关键点和复杂程度,并提供相机姿态、NeRF估计深度、点云和3D网格等。该数据集可用于通用NeRF研究、场景一致性跟踪、视觉语言模型等计算机视觉研究。

创建AI头像，与其在增强现实中互动

Vara AI是一个能够创建AI头像并在增强现实中与其互动的平台。它使用先进的人工智能技术，让用户可以根据自己的喜好和需求创建自己的AI头像，并通过增强现实技术将其投射到现实世界中。用户可以与AI头像进行互动，进行对话、玩游戏等。Vara AI还提供丰富的定制选项和功能，让用户可以个性化自己的AI头像。定价方面，Vara AI提供多种套餐供用户选择，以满足不同需求。Vara AI主要定位于个人用户和AR爱好者，旨在提供一个创造和互动虚拟人物的平台。

高分辨率、高精度的深度估计方法

Prompt Depth Anything是一种用于高分辨率和高精度度量深度估计的方法。该方法通过使用提示（prompting）技术，激发深度基础模型的潜力，利用iPhone LiDAR作为提示，引导模型产生高达4K分辨率的精确度量深度。此外，该方法还引入了可扩展的数据管道进行训练，并发布了更详细的ScanNet++数据集深度注释。该技术的主要优点包括高分辨率、高精度的深度估计，以及对下游应用如3D重建和通用机器人抓取的益处。

Project Aria 是 Meta 推出的以第一人称视角进行机器感知和增强现实研究的项目。

Project Aria 是 Meta 推出的专注于第一人称视角研究的项目，旨在通过创新技术推动增强现实（AR）和人工智能（AI）的发展。该项目通过 Aria Gen 2 眼镜等设备，从用户视角收集信息，为机器感知和 AR 研究提供支持。其主要优点包括创新的硬件设计、丰富的开源数据集和挑战赛，以及与全球研究合作伙伴的紧密合作。该项目的背景是 Meta 对未来 AR 技术的长期投入，旨在通过开放研究推动行业进步。

从日常动态视频中快速、准确地估计相机和密集结构

MegaSaM是一个系统，它允许从动态场景的单目视频中准确、快速、稳健地估计相机参数和深度图。该系统突破了传统结构从运动和单目SLAM技术的局限，这些技术通常假设输入视频主要包含静态场景和大量视差。MegaSaM通过深度视觉SLAM框架的精心修改，能够扩展到真实世界中复杂动态场景的视频，包括具有未知视场和不受限制相机路径的视频。该技术在合成和真实视频上的广泛实验表明，与先前和并行工作相比，MegaSaM在相机姿态和深度估计方面更为准确和稳健，运行时间更快或相当。

Snap Inc.推出的AR眼镜，增强现实体验。

Spectacles '24是Snap Inc.推出的一款AR眼镜，旨在通过增强现实技术将人们更紧密地联系在一起。这款眼镜配备了透明镜片，让你在保持与周围环境连接的同时，享受增强现实带来的新体验。它不仅是一款时尚的配饰，更是一个能够让你与朋友共享创意、一起玩耍、学习和工作的工具。Spectacles '24搭载了Snap OS操作系统，提供了一个自然的界面，用户无需学习即可轻松上手。

人像修复、人像抠图、动漫增强

Arc图片增强是一款由腾讯AI产品提供的图像处理工具，包括人像修复、人像抠图、动漫增强等，可有效提升图片的品质和美观度，可用于修复老照片或者照片去背景等场景。

视觉语言模型增强工具，结合生成式视觉编码器和深度广度融合技术。

Florence-VL是一个视觉语言模型，通过引入生成式视觉编码器和深度广度融合技术，增强了模型对视觉和语言信息的处理能力。该技术的重要性在于其能够提升机器对图像和文本的理解，进而在多模态任务中取得更好的效果。Florence-VL基于LLaVA项目进行开发，提供了预训练和微调的代码、模型检查点和演示。

3D人体姿态估计技术

AvatarPose是一种用于从稀疏多视角视频中估计多个紧密互动人的3D姿态和形状的方法。该技术通过重建每个人的个性化隐式神经化身，并将其作为先验，通过颜色和轮廓渲染损失来细化姿态，显著提高了在紧密互动中估计3D姿态的鲁棒性和精确度。

AI眼镜，赋予你视觉分析与实时翻译的超能力

Frame是Brilliant Labs推出的一款AI眼镜，它通过集成的AI技术，为用户提供实时的视觉分析和翻译功能。这款眼镜结合了OpenAI和Whisper技术，允许用户通过视觉和听觉来搜索和理解他们所看到和听到的内容。Frame的主要优点在于它的开放源代码特性，鼓励开发者、艺术家和黑客探索和创造新的功能，推动产品的创新和个性化。此外，它还包括了Mister Power功能，确保全天候的电池续航。

基于大数据和大模型的人体姿态和形状估计模型

SMPLer-X是一种基于大数据和大模型的人体姿态和形状估计模型，能够统一捕捉身体、手和面部的运动，并具有广泛的应用。该模型通过对32个不同场景的数据集进行系统研究，优化训练方案并选择数据集，从而实现了对EHPS能力的显著提升。SMPLer-X采用Vision Transformer进行模型扩展，并通过微调策略将其转化为专家模型，从而进一步提高性能。该模型在多个基准测试中均表现出色，如AGORA（107.2 mm NMVE）、UBody（57.4 mm PVE）、EgoBody（63.6 mm PVE）和EHF（62.3 mm PVE without finetuning）。SMPLer-X的优势在于能够处理多样化的数据源，具有出色的泛化能力和可迁移性。

基于图形的通用姿势估计方法

Pose Anything是一种基于图形的通用姿势估计方法，旨在使关键点定位适用于任意物体类别，使用单个模型，需要最少带有注释关键点的支持图像。该方法通过全新设计的图形转换解码器利用关键点之间的几何关系，提高了关键点定位的准确性。Pose Anything在MP-100基准测试中表现优异，超过了先前的最先进技术，并在1-shot和5-shot设置下取得显著改进。与以往的CAPE方法相比，该方法的端到端训练显示出可扩展性和效率。

视觉位置识别通过图像片段检索

Revisit Anything 是一个视觉位置识别系统，通过图像片段检索技术，能够识别和匹配不同图像中的位置。它结合了SAM（Spatial Attention Module）和DINO（Distributed Knowledge Distillation）技术，提高了视觉识别的准确性和效率。该技术在机器人导航、自动驾驶等领域具有重要的应用价值。

基于视觉语言模型的检索增强型生成模型

VisRAG是一个创新的视觉语言模型（VLM）基础的RAG（Retrieval-Augmented Generation）流程。与传统的基于文本的RAG不同，VisRAG直接将文档作为图像通过VLM进行嵌入，然后检索以增强VLM的生成能力。这种方法最大限度地保留了原始文档中的数据信息，并消除了解析过程中引入的信息损失。VisRAG模型在多模态文档上的应用，展示了其在信息检索和增强文本生成方面的强大潜力。

利用增强现实技术为一线工人提供易于使用的知识共享工具，以在最需要的时间、地点和方式提供信息。

Ario 利用增强现实技术为一线工人提供易于使用的知识共享工具，以在最需要的时间、地点和方式提供信息。Ario 结合了扫描识别、资源库和连接技术，可以提供以下功能：

使机器人视觉引导更可靠高效

Apera AI提供基于人工智能的视觉软件，用于引导机器人在垃圾捡拾、装配、机器操作等领域提高可靠性和生产效率。产品功能强大，优势突出，定价灵活，定位于工业自动化领域。

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

Video Depth Anything 是一个基于深度学习的视频深度估计模型，能够为超长视频提供高质量、时间一致的深度估计。该技术基于 Depth Anything V2 开发，具有强大的泛化能力和稳定性。其主要优点包括对任意长度视频的深度估计能力、时间一致性以及对开放世界视频的良好适应性。该模型由字节跳动的研究团队开发，旨在解决长视频深度估计中的挑战，如时间一致性问题和复杂场景的适应性问题。目前，该模型的代码和演示已公开，供研究人员和开发者使用。

基于视觉观察自动估计人体及服装的物理参数的框架

PhysAvatar是一个结合逆向渲染和逆向物理的创新框架,可以从多视角视频数据中自动估计人体形状、外表以及服装的物理参数。它采用网格对齐的4D高斯时空网格跟踪技术和基于物理的逆向渲染器来估计内在的材料属性。PhysAvatar集成了物理模拟器,使用基于梯度的优化方法以原理性的方式估计服装的物理参数。这些创新能力使PhysAvatar能够在训练数据之外的运动和照明条件下,渲染出高质量的穿着宽松衣服的新视角头像。

开源的基于深度文档理解的RAG（检索增强生成）引擎

RAGFlow是一个开源的RAG（Retrieval-Augmented Generation）引擎，基于深度文档理解，提供流线型的RAG工作流程，适用于各种规模的企业。它结合了大型语言模型（LLM）提供真实的问答能力，支持从各种复杂格式数据中引用确凿的引文。

一种通过大型语言模型引导的模拟到现实世界转移策略，用于获取机器人技能。

DrEureka是一个利用大型语言模型（LLMs）自动化和加速模拟到现实（sim-to-real）设计的方法。它通过物理模拟自动构建合适的奖励函数和领域随机化分布，以支持现实世界中的转移。DrEureka在四足机器人运动和灵巧操作任务上展示了与人工设计相媲美的sim-to-real配置，并能够解决如四足机器人在瑜伽球上平衡和行走等新颖任务，无需人工迭代设计。

虚拟现实社交平台

IllusionDiffusion是一款虚拟现实社交平台，用户可以在其中创建自己的虚拟形象，与其他用户进行社交互动。IllusionDiffusion支持多种虚拟现实设备，包括头戴式显示器和智能手机，用户可以使用手势和语音进行操作。Spaces还提供了多种虚拟场景和游戏，让用户在虚拟世界中尽情探索和体验。IllusionDiffusion的定价策略灵活，提供了免费和付费两种服务方案。

小型语言模型结合增强视觉词汇

Vary-toy是一个小型Vary模型，基于Qwen-1.8B作为基础“大”语言模型。Vary-toy引入了改进的视觉词汇，使模型不仅具备Vary的所有特性，还具有更广泛的泛化能力。具体来说，在生成视觉词汇的过程中，我们用目标检测驱动的正样本数据替换自然图像的负样本，更充分地利用了词汇网络的容量，使其能够高效地编码与自然物体对应的视觉信息。在实验中，Vary-toy在DocVQA上实现了65.6%的ANLS，在ChartQA上实现了59.1%的准确率，在RefCOCO上实现了88.1%的准确率，在MMVet上实现了29%的准确率。定价：免费试用，付费版本定价待定。定位：为研究人员提供在资源有限的情况下在普通GPU上训练和部署LVLMs的解决方案。

Pyramid-Flow的ComfyUI包装节点，用于高效视觉生成。

ComfyUI-PyramidFlowWrapper是基于Pyramid-Flow模型的一套包装节点，旨在通过ComfyUI提供更高效的用户界面和更便捷的操作流程。该模型利用深度学习技术，专注于视觉内容的生成与处理，具有高效处理大量数据的能力。产品背景信息显示，它是由开发者kijai发起并维护的开源项目，目前尚未完全实现功能，但已具备一定的使用价值。由于是开源项目，其价格为免费，主要面向开发者和技术爱好者。

学习野外音频视觉数据的机器人操控

ManiWAV是一个研究项目，旨在通过野外的音频和视觉数据学习机器人操控技能。它通过收集人类演示的同步音频和视觉反馈，并通过相应的策略接口直接从演示中学习机器人操控策略。该模型展示了通过四个接触丰富的操控任务来证明其系统的能力，这些任务需要机器人被动地感知接触事件和模式，或主动地感知物体表面的材料和状态。此外，该系统还能够通过学习多样化的野外人类演示来泛化到未见过的野外环境中。

人工智能入门教程网站，提供全面的机器学习与深度学习知识。

该网站由作者从 2015 年开始学习机器学习和深度学习,整理并编写的一系列实战教程。涵盖监督学习、无监督学习、深度学习等多个领域,既有理论推导,又有代码实现,旨在帮助初学者全面掌握人工智能的基础知识和实践技能。网站拥有独立域名,内容持续更新,欢迎大家关注和学习。

机器人乒乓球竞赛水平达到业余人类水平

这是Google DeepMind团队研发的机器人乒乓球代理模型，它通过深度学习技术，实现了与业余人类选手在乒乓球比赛中的竞争力。这项技术的重要性在于它不仅推动了机器人在高速运动、实时精确决策和战略决策制定方面的技术发展，而且为机器人与人类直接竞争提供了一个有价值的基准。