https://github.com/Deep-Learning-101/Computer-Vision-Paper
https://huggingface.co/DeepLearning101
https://deep-learning-101.github.io/
手把手帶你一起踩 AI 坑
手把手帶你一起踩 AI 坑：https://www.twman.org/AI
- 避開 AI Agent 開發陷阱：常見問題、挑戰與解決方案：探討多種 AI 代理人工具的應用經驗與挑戰，分享實用經驗與工具推薦。
- 白話文手把手帶你科普 GenAI：淺顯介紹生成式人工智慧核心概念，強調硬體資源和數據的重要性。
- 大型語言模型直接就打完收工？：回顧 LLM 領域探索歷程，討論硬體升級對 AI 開發的重要性。
- 檢索增強生成(RAG)不是萬靈丹之優化挑戰技巧：探討 RAG 技術應用與挑戰，提供實用經驗分享和工具建議。
- 大型語言模型 (LLM) 入門完整指南：原理、應用與未來：探討多種 LLM 工具的應用與挑戰，強調硬體資源的重要性。
- 什麼是大語言模型，它是什麼？想要嗎？(Large Language Model，LLM)：探討 LLM 的發展與應用，強調硬體資源在開發中的關鍵作用。
- Diffusion Model 完全解析：從原理、應用到實作 (AI 圖像生成)；深入探討影像生成與分割技術的應用，強調硬體資源的重要性。
- ASR/TTS 開發避坑指南：語音辨識與合成的常見挑戰與對策：探討 ASR 和 TTS 技術應用中的問題，強調數據質量的重要性。
- 那些 NLP 踩的坑：分享 NLP 領域的實踐經驗，強調數據質量對模型效果的影響。
- 那些語音處理踩的坑：分享語音處理領域的實務經驗，強調資料品質對模型效果的影響。
- 手把手學深度學習安裝環境：詳細介紹在 Ubuntu 上安裝深度學習環境的步驟，分享實際操作經驗。
CV
電腦視覺 (Computer Vision)
Segmentation (圖像分割)
- MatAnyone：視訊摳圖MatAnyone來了，一次指定全程追踪，髮絲級還原
- Meta Segment Anything Model 2 (SAM 2)
- SAMURAI
- Grounded SAM 2: Ground and Track Anything in Videos
- SAM2Long：大幅提升SAM 2性能！港中文提出SAM2Long，複雜長視頻的分割模型
- SAM2-Adapter：SAM 2無法分割一切？ SAM2-Adapter：首次讓SAM 2在下游任務適應調校！
- SAM2Point：可提示3D 分割研究里程碑！ SAM2Point：SAM2加持可泛化任3D場景、任意提示！
Diffusion model (擴散模型)
- 2025-04-24：字節Phantom：1280x720影片生成革命！位元組Phantom模型實測：10G顯存效果不輸某靈付費版
- 2025-04-22：MAGI-1：Sand AI 創業團隊推出了全球首個自回歸影片生成大模型MAGI-1，該模型有哪些效能亮點？
- 2025-04-22：SkyReels V2：全球首個無限時長影片生成！新擴散模式引爆兆市場，電影級理解，全面開源
- 2025-04-14：FramePack：不是可靈用不起，而是FramePack更有性價比！開源專案：6G顯存跑13B模型，支援1分鐘影片產生
- 2025-04-14：fantasy-talking：解讀最新基於Wan2.1的音訊驅動數位人FantasyTalking
- 2025-03-10：HunyuanVideo-I2V：騰訊開源HunyuanVideo-I2V圖生視訊模型+LoRA訓練腳本，社群部署、推理實戰教學來吧
- 2025-02-25：Wan-Video：超越Sora！阿里萬相大模型正式開源！全模態、全尺寸大模型開源
- 2025-02-14：FlashVideo：來自位元組的視訊增強全新開源演算法，102秒產生1080P視頻
- 2025-01-28：Sana：[ICLR 2025 Oral] Efficient High-Resolution Image Synthesis with Linear Diffusion Transformer；比FLUX快100倍！英偉達聯手MIT、清華開源超快AI影像產生模型
- Flux
- Flux.1-canny-dev：https://huggingface.co/black-forest-labs/FLUX.1-Canny-dev/
- Flux.1-depth-dev：https://huggingface.co/black-forest-labs/FLUX.1-Depth-dev/
- Flux.1-fill-dev：https://huggingface.co/black-forest-labs/FLUX.1-Fill-dev/
- Flux.1-redux-dev：https://huggingface.co/black-forest-labs/FLUX.1-Redux-dev/
- 2024-11-26：Flux官方重繪+擴圖+風格參考+ControlNet
- 2024-11-25：最新flux_fill_inpaint模型體驗。
- 2024-12-17：Leffa：Leffa：Meta AI 開源精確控制人物外觀和姿勢的圖像生成框架，在生成穿著的同時保持人物特徵
- 2024-11-29：PuLID, Pure and Lightning ID Customization via Contrastive Alignment：https://github.com/balazik/ComfyUI-PuLID-Flux
- 2024-11-07：搞定ComfyUI-PuLID-Flux節點只要這幾步！附一鍵壓縮包
- 2024-10-08：一文搞懂PuLID FLUX人物換臉&風格遷移
- 2024-11-26：MagicQuill：https://huggingface.co/spaces/AI4Editing/MagicQuill
- 2024-11-26：OOTDiffusion：https://huggingface.co/spaces/levihsu/OOTDiffusion
- 2024-11-24：Comfyui Impact Pack
- 2024-11-05：ComfyUI OmniGen @ 北京人工智慧研究院：https://huggingface.co/spaces/Shitao/OmniGen
Digital Human (虛擬數字人)
- HeyGem：開源數位人克隆神器
- Duix：全球首個真人數位人，開源了
- Linly-Talker：an intelligent AI system that combines large language models (LLMs) with visual models to create a novel human-AI interaction method.
- EchoMimicV2：[CVPR 2025] EchoMimicV2: Towards Striking, Simplified, and Semi-Body Human Animation
- Hallo3：[CVPR 2025] Highly Dynamic and Realistic Portrait Image Animation with Diffusion Transformer Networks
- MimicTalk：[NeurIPS 2024] MimicTalk: Mimicking a personalized and expressive 3D talking face in minutes
- JoyGen：Audio-Driven 3D Depth-Aware Talking-Face Video Editing
- Latentsync
- MuseTalk
Optical Character Recognition (光學文字識別)
- 2025-03-05：PP-DocBee：百度推出文件影像理解PP-DocBee
- 2025-03-03：olmocr：🚀本地部署最强OCR大模型olmOCR！支持结构化精准提取复杂PDF文件内容！
- 2025-02-05：MinerU：將PDF轉換為機器可讀格式的神器
- 2024-12-15：markitdown
- 2024-09-22：OCR2.0时代-GOT来啦！
- 2024-09-11：GOT-OCR-2.0模型开源
- 2024-08-20：萬物皆可AI化！剛開源就有12000人圍觀的OCR 掃描PDF 開源工具！還可轉換為MarkDown！
- advancedliteratemachinery/OCR/OmniParser
- 2024-10-29：Alibaba出品:OmniParser通用文檔複雜場景下OCR抽取
- RapidOCR
- 12個流行的開源免費OCR項目
- 用PaddleOCR的PPOCRLabel來微調醫療診斷書和收據
- TableStructureRec: 表格結構辨識推理庫來了：https://github.com/RapidAI/TableStructureRec