Qu'est-ce que Papers with Code ?
Papers with Code est une plateforme qui met en avant les recherches tendance dans le domaine de l'apprentissage automatique, accompagnées du code pour les implémenter. Elle sert de ressource complète pour les chercheurs et développeurs souhaitant rester à jour avec les dernières avancées et implémentations pratiques en apprentissage automatique.
Avantages de Papers with Code
- Accès aux Dernières Recherches : Restez informé des articles les plus récents en apprentissage automatique.
- Prêt à l'Implémentation : Accès direct aux implémentations de code, facilitant l'expérimentation et l'apprentissage.
- Étalonnage : Comparez les performances de différents modèles sur une variété de tâches.
- Engagement Communautaire : Engagez-vous avec une communauté de chercheurs et développeurs partageant des idées et des améliorations.
Comment Utiliser Papers with Code
- Explorer les Articles : Parcourez une liste d'articles en apprentissage automatique triés par pertinence et impact.
- Accéder au Code : Accédez directement aux dépôts contenant les implémentations de code de la recherche.
- Étalonner les Modèles : Consultez et comparez les performances des modèles sur des ensembles de données et tâches standard.
- Contribuer : Partagez des améliorations ou de nouvelles implémentations avec la communauté.
Articles en Vedette
MossFormer : Repousser les Limites de Performance de la Séparation Monophonique de la Parole
- Description : Utilise un transformateur à tête unique avec des auto-attentions conjointes augmentées par convolution pour améliorer la séparation de la parole.
- Dépôt de Code : Disponible sur GitHub sous
modelscope/ClearerVoice-Studio.
Gaze-LLE : Estimation de Cibles de Regard via des Encodeurs Appris à Grande Échelle
- Description : Se concentre sur la prédiction des cibles de regard dans une scène en utilisant des encodeurs appris.
- Dépôt de Code : Disponible sur GitHub sous
fkryan/gazelle.
Segment Any Text : Une Approche Universelle pour la Segmentation de Phrases
- Description : Introduit le modèle SaT pour une segmentation de phrases robuste et efficace.
- Dépôt de Code : Disponible sur GitHub sous
facebookresearch/large_concept_model.
StableAnimator : Animation d'Images Humaines de Haute Qualité Préservant l'Identité
- Description : Améliore la qualité du visage pendant l'animation en utilisant une optimisation basée sur l'équation de Hamilton-Jacobi-Bellman.
- Dépôt de Code : Disponible sur GitHub sous
Francis-Rings/StableAnimator.
SynCamMaster : Synchronisation de la Génération Vidéo Multi-Caméra
- Description : Avancées dans les modèles de diffusion vidéo pour une génération vidéo multi-caméra cohérente.
- Dépôt de Code : Disponible sur GitHub sous
kwaivgi/syncammaster.
Apprentissage de Champs de Flux en Attention pour la Génération d'Images de Personnes Contrôlable
- Description : Améliore la performance des modèles de diffusion en utilisant une perte indépendante du modèle.
- Dépôt de Code : Disponible sur GitHub sous
franciszzj/leffa.
Champs de Localisation Neuronaux pour l'Estimation Continue de la Pose et de la Forme 3D Humaine
- Description : Transitionne la modélisation 3D humaine à partir d'une seule image vers un paradigme centré sur les données.
- Dépôt de Code : Disponible sur GitHub sous
isarandi/nlf.
Video Seal : Marquage Vidéo Ouvert et Efficace
- Description : Introduit un cadre pour le marquage vidéo neuronal.
- Dépôt de Code : Disponible sur GitHub sous
facebookresearch/videoseal.
HunyuanVideo : Un Cadre Systématique pour les Grands Modèles Génératifs Vidéo
- Description : Un modèle open-source démontrant une haute performance dans la génération vidéo.
- Dépôt de Code : Disponible sur GitHub sous
tencent/hunyuanvideo.
LLMs-as-Judges : Une Enquête Complète sur les Méthodes d'Évaluation Basées sur LLM
- Description : Analyse les limitations des juges LLM et les directions futures.
- Dépôt de Code : Disponible sur GitHub sous
cshaitao/awesome-llms-as-judges.