Sapiens 是一个基于 3 亿张 1024 x 1024 分辨率人类图像预训练的视觉变换器系列模型，专注于以人为中心的视觉任务。

Sapiens 是一个基于 3 亿张高分辨率人类图像预训练的视觉变换器模型，专为前景人物分割任务设计。

Sapiens 是一个基于 3 亿张 1024 x 1024 分辨率人类图像预训练的视觉 Transformer 模型家族，支持 1K 高分辨率推理，在标注数据稀缺或完全合成的情况下仍能展现出对真实数据的卓越泛化能力。