一个全面的 PyTorch 库，实现了原始 Vision Transformer (ViT) 及其数十种架构变体，用于图像分类。

AlphaFold3 的开源复现，用于预测蛋白质、RNA、DNA 和小分子的三维结构。

一个基于 PyTorch 的开源框架，用于医疗影像领域的深度学习，提供针对医疗数据的标准化工作流和领域专用工具。

一个 MIT 许可的计算机视觉库，提供检测、分割、姿态、深度、OCR 及其他视觉任务的单一 API，包含训练和导出工具。

一款从原始视频（包括广角和 360 度全景视频）中估计相机姿态、内参和密集深度图的空间 AI 工具。

一款使用 C++、CUDA 和 TensorRT 构建的高速 GPU 文档解析器，可将图像和 PDF 转换为包含表格和公式的结构化 Markdown。

一个无需训练的框架，通过 TensorRT 优化和蒸馏主干网络，将 SAM3 转换为实时多类别开放词汇检测器。

一个为 Linux 设计的多模态生物识别登录系统，支持面部和指纹认证，具备 AI 驱动的防伪功能和图形化管理界面。

一个将静态图像或草图转换为平滑绘制动画的工具，通过将其转换为 SVG 并使用 Manim 渲染。

无需手动编译即可通过 pip 安装的 OpenCV 预构建 Python 绑定。

一个为计算机视觉提供热门数据集、模型架构和图像转换的 PyTorch 库。

一个基于 PyTorch 的 OCR 库，提供 PDF 和图像中文字检测与识别的无缝流程，支持布局和表格分析。

ZipDepth 是一个 6 M 参数的零样本单目深度模型，可在 GPU 上实现 >1 k FPS 的运行速度，并可导出至移动运行时。它结合了 RepVGG 风格的可重参数化卷积、条带池化注意力和轻量级 FPN 解码器。该仓库提供了即用型推理脚本、ONNX/TorchScript 导出工具、基准测试以及完整的训练流程（从 Depth Anything V2 知识蒸馏而来）。

一种半监督式 3D 牙齿分割框架，通过引入轴向注意力机制（axial attention）与位置修正模块来增强 nnU-Net，旨在利用有限的标注数据来提升准确度。

一个面向研究、可微分的渲染系统，用于正向和反向光传输模拟，并具有深度的 Python 集成。

SAHI（Slicing‑Aided Hyper Inference）是一个开源 Python 库，可实现超大图像或视频上的切片推理，用于目标检测和实例分割。它兼容大多数主流检测器（YOLO、MMDetection、Detectron2、HuggingFace、TorchVision 等），提供 CLI 和 Python API，支持 FiftyOne 可视化，并包含 COCO 数据集处理与评估的实用工具。

一款使用 SAM2 和 MatAnyone 等模型进行 AI 辅助视频遮罩、分割和对象移除的跨平台桌面应用程序。

OpenSplat 是 3-D Gaussian splatting 的 C++ 实现，可将 COLMAP/OpenSfM/ODX/nerfstudio 数据转换为紧凑的 Gaussian-based 场景文件。它支持 CUDA、ROCm (HIP)、Apple Metal 和纯 CPU 构建版本，提供 Docker 镜像，并提供了一个简单的 CLI 供训练、恢复、掩码处理以及导出为 .ply/.splat/.spz/.rad 格式。

一个轻量级、端到端的 OCR 视觉语言模型，通过指示性解码实现快速结构化文本提取

DEIMv2 是一个实时目标检测框架，利用 DINOv3 特征，为边缘和服务器部署在各种模型规模中提供可扩展且最先进的性能。

一种用于机器人领域的视觉标识系统，可在图像中检测独特标记，实现精确识别和3D姿态估计。

一个面向Linux的人脸认证系统，提供设备端人脸识别和PAM集成，实现安全、无密码登录和sudo访问。

一个推理引擎和部署平台，使用户能够在任何硬件上运行计算机视觉模型和复杂的视觉工作流，从边缘设备到云端。

一个用于计算机视觉中可解释人工智能（XAI）的 PyTorch 库，提供广泛的像素归因方法，用于可视化和诊断模型预测。

利用知识蒸馏压缩视觉和文本编码器的 SAM3 轻量版本，模型大小最多减少 90%，实现高效分割。

rtmlib 是一个轻量级 Python 库，用于人体和动物姿态估计，封装了 RTMPose 和 ViTPose 模型。它避免了重型 OpenMMLab 依赖，仅需 numpy、OpenCV 和 ONNX Runtime（支持可选 GPU/加速器后端）。该包提供高阶解决方案类（Wholebody、Body、Hand、Animal、Custom、Wholebody3d），结合检测器（YOLOX、RFDETR、RTMDet）和姿态估计器，并附带骨架绘制工具。模型可自动从 OpenMMLab 或 HuggingFace 镜像下载。可通过 pip 或源码安装，并运行 Gradio WebUI 或使用 Python API 进行单图、视频或摄像头推理。

一套用于进阶图像背景移除与精确对象分割的 ComfyUI 自定义节点套件，使用了如 RMBG-2.0 和 SAM2 等多种 AI 模型。

LitePT 是一种轻量级、高性能的 3D 点云架构，在保持 3D 视觉任务最先进精度的同时，显著减少了参数量和内存占用。

一个通过提取‑训练‑转换流水线，使用深度学习识别并交换图片和视频中人脸的工具。

一个基于 Doom 的 AI 研究平台，用于开发和测试仅使用视觉信息玩游戏的机器人，主要用于强化学习研究。

一款开源的 OMR 检查软件，利用计算机视觉技术准确读取和评估扫描的 OMR 表格或手机照片，并将结果导出为 CSV。

专为日文文档图像提供高精度 OCR、布局分析和表格结构识别的文档 AI 引擎。

一款为 React Native 提供专业级照片/视频拍摄和实时 AI 帧处理能力的高性能相机库。

专为高速 3D 对齐设计的高性能、并行化 C++ 库，支持 ICP、GICP、VGICP 等精细点云配准。

一种将嘈杂、高分辨率的像素艺术风格图像和动画转换为干净、真实分辨率像素资产的工具，通过恢复底层网格实现。

一个用于 3D 地图构建与定位的实时、稠密前馈式场景重建系统，并具备可选的开放集 3D 物件检测功能。

专为家庭和办公室监控设计的自托管、仅限本地运行的 NVR 和 AI 计算机视觉软件，支持对象和人脸识别。

一个使用 Tesseract 和 LLM 从收据图像中提取原始文本或结构化 JSON 数据的 OCR 引擎。

MonkeyOCR 是一个文档解析模型，它使用 Structure-Recognition-Relation（结构-识别-关系）三元组范式将 PDF 和图像转换为结构化的 Markdown，支持英语和中文。

一款用于图像、视频、以及实时网络摄像头画面进行 AI 换脸与增强的桌面应用程序，具备专业编辑工具与 GPU 加速功能。

SOMA‑X 是一个 Python 库，提供参数化人体和手部的统一可微分表示，支持多种身份模型（MHR、SMPL‑X、MANO 等），并通过 NVIDIA Warp 提供快速蒙皮。它包含用于不同细节级别全身和手部网格的 `SOMALayer` 和 `SOMAHandLayer`，以及姿态逆解、绑定控制和数据 I/O 工具，使其适用于动画、姿态估计拟合和合成数据生成。

一款利用 OpenCV 和自定义凭据提供程序，使无原生 Windows Hello 硬件的设备也能实现人脸识别解锁的 Windows 工具。

一个无需 Python 依赖的独立 C++ 推理引擎，用于从 2D 图像中回归 SAM-3D-Body 的 3D 人体姿态、形状和相机参数。

一款基于网络摄像头的 AI 动作捕捉应用程序，可为 VTubing 和 XR 目的实时驱动 3D 虚拟角色 (VRM/MMD)。

一个用于运动分析的计算机视觉工具与数据集集合，专注于球类追踪、球员重识别与球衣号码 OCR 的挑战。

一个开源的 AI 相机平台，能够在本地部署 VLM 场景分析和目标检测技能，并具备自主、硬件感知的安装方式。

一个端到端的动作捕捉系统，可将单目视频转换为任意骨骼（包括动物和自定义绑定）的 3D 关节旋转。

scikit-image 是一个用于图像处理的 Python 库，提供了一系列用于分析和操作图像的算法。