Chai-Lab开源项目 – 生物分子结构预测的尖端模型

Chai-Lab 是一个用于生物分子结构预测的多模态基础模型，结合了自然语言处理、计算机视觉和几何深度学习技术。它利用 Transformer 架构和自监督学习，能够在原子级别预测蛋白质、小分子、DNA、RNA 等生物分子的三维结构。项目支持多种输入格式和高级功能，如 MSA 生成、模板使用和约束条件，适用于复杂的生物分子预测任务。

Chai-Lab的特点:

1. 支持多模态输入，包括蛋白质、小分子、DNA、RNA 等
2. 利用 Transformer 架构和自监督学习进行原子级别预测
3. 支持 MSA 生成和模板使用以提高预测性能
4. 提供用户自定义约束条件，如链间接触和共价键
5. 支持命令行和 Python 接口，方便集成到工作流中
6. 提供在线 Web 服务器，无需本地安装即可使用

Chai-Lab的功能:

1. 通过命令行折叠 FASTA 文件中的序列
2. 使用 Python 脚本进行结构预测并生成 PDB 文件
3. 通过 Web 服务器在线测试模型
4. 自定义 MSA 和模板输入以提高预测精度
5. 使用约束条件指导复杂生物分子的折叠

相关导航

DocAligner开源项目 – 拍照文档图像校正工具

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。

Awesome Graph & SSL-based Recommendation – 图与自监督推荐资源库

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。

SkyReels-V1开源项目 – 以人为中心的电影级视频生成模型

SkyReels-V1是昆仑万维开源的首个以人为中心的视频生成模型，具备电影级画质，支持多种面部表情和自然动作组合。该模型使用好莱坞级影视数据进行训练，具有专业的构图和摄影效果，并采用自研的数据清洗和标注流程。它能够处理多人场景中的空间关系，支持文本生成视频(T2V)和图像生成视频(I2V)，并且支持多GPU推理和用户级GPU部署。

ViLMedic开源项目 – 医学多模态研究框架

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。

Whisper large-v3开源项目 – 多语言语音识别框架

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。

Awesome Self-Supervised Learning for Time Series (SSL4TS) – 时间序列自监督学习资源大全

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。

Self-supervised Video Object Segmentation开源项目 – 自监督视频对象分割

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。

jepa-intuitive-physics开源项目 – 自监督学习直观物理理解

jepa-intuitive-physics是一个通过自然视频的自监督预训练，让机器学会直观物理理解的项目。它利用自监督学习方法，无需标注数据即可训练，提供了完整的代码和数据，支持多种模型评估，为研究直观物理理解提供了强大的工具。

pytorch-lifestream开源项目 – 自监督离散事件序列嵌入库

pytorch-lifestream 是一个基于 PyTorch 的库，专门用于在离散事件序列上构建嵌入。该库利用自监督学习方法，能够高效地生成序列数据的嵌入表示，适用于各种时间序列和事件驱动的应用场景。

自监督学习潜变量模型项目论文 – 自监督学习与统计建模的结合

该项目提出了一种潜变量统计模型，用于自监督学习（SSL），将SSL损失函数与统计生成过程联系起来。该模型假设数据由潜在高斯变量线性变换并被噪声破坏生成，正样本为原始数据的噪声版本。最大似然估计可根据数据增强的信息量简化为主成分分析（PCA）或一个简单的非对比损失。数值模拟验证了理论发现，表明在正交噪声设置中SSL优于PCA，而在各向同性噪声设置中表现相似。

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

在音频领域内进行音乐生成的基准测试项目，利用Freesound Loop数据集。

All Atom Diffusion Transformers – 统一生成分子与材料的框架

All Atom Diffusion Transformers 是一个统一的框架，用于生成分子和材料，为化学和材料科学领域带来革命性突破。它通过打破领域限制，实现了分子和材料的统一生成，并利用 Transformer 架构进行高效生成。该项目开源代码，促进了研究和创新。

DL4Proteins notebooks开源项目 – 生物分子深度学习工具箱

DL4Proteins notebooks 是一个深度学习工具箱，专注于生物分子结构预测和设计，特别适合科研人员、教育工作者和学生使用。该项目基于Colab Notebooks，易于使用和分享，旨在推动合成生物学和治疗学的创新发展。

AirLLM开源项目 – 低内存下运行大型语言模型

AirLLM 可以让你的 70B 大型语言模型在单个 4GB GPU 卡上运行推理，或者让 405B Llama3.1 在 8G 的 GPU 卡上运行。

AniTalker开源项目 – 生成生动说话面部动画的开源工具

AniTalker是一个开源项目，通过身份解耦的面部动作编码技术，生成生动多样的说话面部动画。它能够从单张图片和音频中生成动态视频，支持生成超过3分钟的超长视频，并且能够匹配表情和头部动作。AniTalker采用通用的运动表示法捕捉复杂面部动态，利用自监督学习策略实现精确的运动描述，并通过扩散模型生成多样且可控的面部动画。项目分为两个阶段，第一阶段聚焦于动作编码器和渲染模块的训练，第二阶段基于diffae和espnet进行扩散训练。AniTalker提供了一个demo，用户可以使用特定的音频输入和图片，生成对应的动画效果，并鼓励社区成员进行进一步的开发和贡献。

暂无评论

暂无评论...