基于80亿无语言标注网络图像训练的70亿参数视觉Transformer模型，通过自监督学习实现卓越的视觉表征能力

该模型使用改进的vnet架构进行图像到图像处理，支持对抗性、美学和质量增强等任务

该模型使用改进的vnet架构进行2D图像处理，专注于图像到图像的转换任务，具有对抗性和美学优化特性。

C-RADIOv2是NVIDIA开发的视觉特征提取模型，提供多种规格版本，适用于图像理解和密集处理任务。

C-RADIOv2是NVIDIA开发的视觉特征提取模型，提供多种尺寸版本，适用于图像理解和密集视觉任务。

AIM-v2是一个基于timm库的图像编码器模型，具有3B参数规模，适用于图像特征提取任务。

AIM-v2是一个基于timm库的图像编码器模型，适用于图像特征提取任务。

基于ResNet50架构的CLIP模型图像编码器，具有64倍宽度扩展，使用全局平均池化(GAP)策略

基于CLIP框架的ResNet50x16变体模型，专注于图像特征提取

基于CLIP架构的ViT-Huge图像编码器，由苹果公司发布的DFN5B-CLIP模型，适用于视觉特征提取任务。

基于SigLIP图像编码器的视觉模型，采用全局平均池化，是PaliGemma项目的一部分

基于SigLIP的视觉Transformer模型，采用全局平均池化处理图像特征

基于SigLIP架构的视觉Transformer模型，仅包含图像编码器部分，采用原始注意力池化机制

基于SigLIP的ViT-B-16视觉Transformer模型，仅包含图像编码器，采用原始注意力池化

基于CLIP架构的ConvNeXt-Large图像编码器，在LAION-2B数据集上微调，支持320x320分辨率图像特征提取

Mini-InternVL2-DA-RS是针对遥感图像领域优化的多模态模型，基于Mini-InternVL架构，通过领域适配框架微调，在遥感图像理解任务上表现优异。

DepthPro 是一种单目深度估计模型，能够通过单张图像预测深度。

TimeSformer-HR 是一个基于视频的动作识别模型，专门针对高分辨率视频进行了优化，并在 Kinetics-600 数据集上进行了微调。

DUSt3R是一个用于从图像轻松实现几何3D视觉的模型，能够从单张或多张图像重建3D场景。

NVIDIA开发的视觉特征提取模型，用于生成图像嵌入，支持下游任务如图像分类。

基于Vision Transformer架构的大规模视觉语言模型，支持零样本图像分类任务

该模型是基于Facebook ConvNeXtV2架构的微调版本，专门针对Pixiv排行榜图像进行多标签分类任务训练

美学阴影是一款拥有11亿参数的视觉Transformer模型，专为评估动漫图像质量而设计。

基于SegFormer架构的卫星图像分割模型，专为城市区域分割任务设计

基于EVA02架构的大规模视觉-语言模型，支持零样本图像分类任务

EVA02是一个基于CLIP架构的大规模视觉-语言模型，支持零样本图像分类任务。

EfficientNet是一款移动端友好的纯卷积模型，通过复合系数统一缩放深度/宽度/分辨率维度，在ImageNet-1k数据集上训练

基于ConvNeXt-V2的自监督特征表示模型，采用全卷积掩码自编码器框架(FCMAE)进行预训练，适用于图像分类和特征提取任务。

TimeSformer是一个基于时空注意力机制的视频分类模型，在Something Something v2数据集上进行了微调。

TimeSformer是一种基于时空注意力机制的视频理解模型，高分辨率变体专门针对Kinetics-600数据集进行了微调。

TimeSformer是基于空间-时间注意力机制的视频理解模型，该版本是在Something Something v2数据集上微调的高分辨率变体。

TimeSformer是一种基于空间-时间注意力机制的视频理解模型，在Kinetics-400数据集上进行了预训练和微调。

SegFormer是一个基于Transformer架构的语义分割模型，在Cityscapes数据集上进行了微调，适用于道路场景分割任务。

基于Transformer架构的大规模图像分类模型，在ImageNet-21k和ImageNet-1k数据集上预训练和微调

BEiT是一种基于视觉Transformer（ViT）架构的模型，通过自监督学习在ImageNet-21k上预训练，并在ADE20k数据集上微调，专门用于图像语义分割任务。