AerialMegaDepth是一个专注于空地重建与视角合成的深度学习模型，能够从航拍图像中重建3D场景并生成新视角。

基于Transformer架构的语义分割模型，专为ADE20K数据集优化

基于Vision Transformer（ViT）的图像分类模型，由Google Research在JAX框架下使用ImageNet-21k预训练，后移植到PyTorch。

基于Vision Transformer (ViT)的图像分类模型，在ImageNet-21k上预训练，适用于特征提取和微调场景。

基于Vision Transformer的图像分类模型，在ImageNet-21k上预训练，适用于特征提取和微调

Segment-Anything视觉变换器（SAM ViT）图像特征模型，仅包含特征提取和微调功能，不包含分割头。

Segment-Anything视觉变换器（SAM ViT）图像特征模型，仅包含特征提取和微调功能，不包含分割头。

基于Vision Transformer（ViT）的图像特征模型，采用自监督DINOv2方法在LVD-142M数据集上预训练

OWL-ViT是一个零样本文本条件目标检测模型，可通过文本查询在图像中检测物体。