gan-manifold-reg是一个结合生成对抗网络（GANs）和流形正则化（Manifold Regularization）技术的半监督学习项目。它旨在通过GANs生成额外的训练数据，并利用流形正则化技术提高模型在半监督学习任务中的性能。该项目基于PyTorch实现，支持自定义数据集和模型架构，适用于图像分类等半监督学习任务，尤其在医学图像分析等需要大量标注数据的领域中表现出色。
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。
TabularS3L是一个基于PyTorch Lightning的库，专门用于表格数据的自监督和半监督学习。它提供了一个统一的框架，使用户能够轻松探索和部署相关模型，适用于各种表格数据处理任务。
kaggle_salt_bes_phalanx 是一个专注于地震图像中盐体分割的项目，采用卷积神经网络（CNN）集成方法，结合半监督学习技术，旨在提高分割精度。该项目特别适用于地质分析、油气勘探等领域，能够有效识别地震图像中的盐体。项目开源，代码可在GitHub上获取，适合研究、开发和教育用途。
该项目提供了一种视频语义分割的方法，利用帧间特征重建技术，在半监督学习的框架下提升模型性能，适用于缺乏标注数据的场景。
FlowSAM是一个用于视频中的运动对象分割的项目，结合了Segment Anything模型(SAM)和光流技术，旨在提高分割精度和效率。它不仅能够处理单一对象，还能在多对象场景中保持对象身份，提升分割性能。
GIMM-VFI是一种新的视频插值方法，它使用运动建模来预测帧之间的运动。该方法通过有效建模真实世界视频中的时空动态，能够生成更高质量的运动视频，并且可以与现有的基于流的VFI工作集成。
这是一个双层递归卷积网络模型的参考实现，旨在提供灵活的应用支持和优化的性能。
包含真实场景级视频和场景标注的大型数据集，具有10,510个多视角场景，51.2百万帧，分辨率为4k，还包括140个用于新视角合成(NVS)的基准视频以及来自SOTA NVS方法的训练参数，为深度学习的3D视觉任务提供了丰富的场景和标注信息
