awesome-repositories.com
Blog
MCP
awesome-repositories.com

Découvrez les meilleurs dépôts open-source grâce à notre recherche par IA.

ExplorerRecherches sélectionnéesAlternatives open sourceLogiciels auto-hébergésBlogPlan du site
ProjetServeur MCPÀ proposNotre méthodologiePresse
Mentions légalesConfidentialitéConditions d'utilisation
© 2026 Bringes Technology SRL·VAT RO45896025·hello@awesome-repositories.com
·

2 dépôts

Awesome GitHub RepositoriesCUDA-Accelerated Frame Processors

Video frame processing pipelines that leverage NVIDIA CUDA for parallel GPU acceleration of frame-level operations.

Distinct from Video Frame Processing: Distinct from Video Frame Processing: specifically targets CUDA-accelerated pipelines rather than general GPU or CPU frame processing.

Explore 2 awesome GitHub repositories matching graphics & multimedia · CUDA-Accelerated Frame Processors. Refine with filters or upvote what's useful.

Awesome CUDA-Accelerated Frame Processors GitHub Repositories

Trouvez les meilleurs dépôts grâce à l'IA.Nous recherchons les dépôts les plus pertinents grâce à l'IA.
  • nateraw/stable-diffusion-videosAvatar de nateraw

    nateraw/stable-diffusion-videos

    4,695Voir sur GitHub↗

    Ce projet est un générateur vidéo Stable Diffusion qui crée des images en mouvement en interpolant entre des prompts textuels au sein de l'espace latent d'un modèle génératif. Il fonctionne comme un outil pour la génération vidéo par IA et l'interpolation d'espace latent, transformant du texte descriptif en séquences visuelles. Le système permet spécifiquement des visuels audio-réactifs en synchronisant le taux d'interpolation d'image sur le rythme et la cadence d'un fichier audio. Il produit ces séquences via une génération vidéo par morphing, qui effectue une transition fluide entre différents prompts textuels. Le projet inclut une interface utilisateur graphique qui fournit une interface de contrôle basée sur le web pour gérer le workflow texte-vers-vidéo. Cela permet l'orchestration du processus génératif sans écrire de code de pipeline manuel.

    Utilizes CUDA-accelerated frame processors to iteratively denoise image sequences into coherent video frames.

    Python
    Voir sur GitHub↗4,695
  • justin62628/squirrel-rifeAvatar de Justin62628

    Justin62628/Squirrel-RIFE

    3,471Voir sur GitHub↗

    Squirrel-RIFE is a GPU-accelerated video processing tool that uses a neural network to generate intermediate frames between existing video frames, enabling smooth slow-motion effects and frame rate conversion. It is built around the RIFE (Real-Time Intermediate Flow Estimation) model, which analyzes motion between consecutive frames to predict and insert new frames, and leverages NVIDIA CUDA for parallel processing to achieve high-speed inference. The tool distinguishes itself by combining neural frame interpolation with practical video preprocessing features, including pixel-level duplicate

    Leverages NVIDIA CUDA for parallel GPU processing to run frame interpolation models at high speed.

    Pythonanimationinterpolationrife
    Voir sur GitHub↗3,471
  1. Home
  2. Graphics & Multimedia
  3. Video Frame Processing
  4. CUDA-Accelerated Frame Processors