SimVP: Simpler yet Better Video Prediction – “Applicable in audio synthesis and production.”-音频领域音乐生成基准测试

GPT 4o 是一种更强大的模型，能够实现实时音视频响应和情感音频输出，用户可以免费使用此项目。

AudioCraft是一个音频类生成式AI项目，由MusicGen、AudioGen和EnCodec三种模型组成，支持多种音频处理任务，具有强大的音频生成能力，并且是一个开源项目。

DevMind是一个集成各种AI能力的创意平台，支持聊天补全、图像生成、人脸交换、语音转换、吉祥物创建、魔法头像、二维码艺术、视觉AI、图像放大等功能，现阶段可免费使用。

AI Music Creator: Text to Song 是一款基于人工智能的音乐创作应用，用户可以轻松选择多种音乐风格、情绪和乐器，在几秒钟内生成独特的免版权音乐曲目。

Starmony是一款基于人工智能的音乐创作平台，用户可以在几分钟内创作出独特的歌曲。通过其音乐智能技术，用户可以选择让AI完成创作，或者自己演唱或饶舌，配合数千种专业节拍，最后分享作品并开始赚取版权收益。

YOLOv12是YOLO系列的最新版本，专注于实时目标检测和特定物体的跟踪。相比于YOLOv11，YOLOv12在延迟和准确性上都有1-2%的提升，采用强大的注意力机制，显著提升了性能。该模型在T4 GPU上仅需1.64ms完成推理，mAP高达40.6%，超越了同级别模型。YOLOv12广泛应用于实时监控、自动驾驶、工业自动化等领域，支持在各种设备上进行实时推理。

ViLMedic是一个模块化框架，专门用于医学领域的视觉和语言多模态研究。它提供了预训练模型，并实现了多种医学图像和文本任务的解决方案，包括医学问答、放射学报告生成和总结，以及自监督学习等。

该项目专注于自监督学习在视频对象分割中的应用，由复旦大学、牛津大学和西弗吉尼亚大学的研究人员共同开发。旨在通过自监督学习技术，结合半监督学习方法，提高视频对象分割的准确性，特别是在标注数据有限的情况下，能够在复杂视频场景中实现高质量的分割。项目开源，并在GitHub上提供，供社区使用和贡献。

Annotab Studio 是一个基于网页的工具，用于创建和管理数据注释。它为 AI 项目提供了无缝的数据平台，允许用户通过物体检测功能对图像进行标注和注释。

EMP-SSL是一种创新的自监督学习方法，通过增加每个图像实例中的图像块数量，显著提高了自监督学习的效率。该方法不依赖于常见的启发式技术，如分支之间的权重共享，并采用了特征归一化、输出量化和停止梯度等技术，使得训练时间减少了两个数量级，同时在多个数据集上实现了高准确率。

这是一个专业整理的时间序列自监督学习（SSL4TS）资源列表，涵盖了相关论文、代码、数据集等。该项目旨在为研究者和开发者提供全面的资源支持，帮助他们深入了解和应用自监督学习技术在时间序列数据上的最新进展。

river是一个用于在线机器学习的Python库，支持增量学习和数据流处理，适合实时预测系统的构建。它具有多种机器学习算法和模型，易于与现有的数据处理管道集成，同时支持模型评估和性能监控。

这个项目收集了很多使用OpenAI Vision API来对图像、视频文件和网络摄像头流进行推理的示例。项目结合了多种技术，实现了高效的图像处理和准确标注，适合开发者和研究人员进行实验和学习。

deep-table 是一个基于 PyTorch 框架实现的深度学习工具，专注于表格数据的处理和建模。它支持各种最先进的深度学习算法，并特别集成了自监督学习技术，适用于结构化数据的机器学习任务。

OpenAI开源的语音识别框架，支持99种语言的语音-文本转换，在低资源语种识别任务中WER降低至7.3%（比Whisper v2提升28%）。其流式处理架构实现200ms端到端延迟（RTF<0.2），通过自监督预训练机制减少对标注数据的依赖。在智能客服场景测试中，方言识别准确率提升至95%，支持实时会议纪要生成与多语种翻译。

MASt3R 是一个专注于在三维空间中实现精确图像匹配的创新项目。它通过结合深度学习技术和三维几何约束，显著提高了图像匹配的准确性和鲁棒性。项目提供了预训练模型和详细的训练流程，支持视觉定位、场景重建等任务。MASt3R 的核心在于其独特的架构设计，能够有效提取图像特征并在三维空间中建立对应关系。

DocAligner 是一种用于校正拍照文档图像的工具，能够处理文档的扭曲、光照不均和布局定位问题。它通过建立拍照文档与清晰图像间的密集对应关系，实现标注自动化，提升文档图像分析与识别在真实场景中的应用效率。其核心技术包括扭曲图像预对齐、分层对齐、细节循环细化以及自监督学习。DocAligner 可应用于文档布局分析、光照校正和几何校正等场景，显著提升文档图像处理的质量和效率。

这是一个精心整理的关于图与自监督学习在推荐系统中应用的资源列表，涵盖了基于图的推荐系统、自监督学习技术、资源整合与整理以及多种推荐算法的支持。

HeartEcho 是一个集成了聊天室、语料库和炼丹炉的项目，旨在提供一个全面的环境用于实时交流、文本数据研究和模型训练。它支持大模型的增量学习，具备实时数据处理能力，并且提供用户友好的交互界面及可扩展的模块化设计。

OpenMMD 是一款基于 OpenPose 的应用程序，能够将真人视频转换为可直接用于 3D 模型（如 Miku, Anmicius）的运动文件 (.vmd)，从而实现 3D 模型的动画制作。该工具高效且准确，支持多种 3D 模型，广泛应用于动画制作、虚拟现实（VR）和增强现实（AR）项目中的角色动画生成。