微软发布开源新工具 MarkItDown，轻松将Office 文件转换为 Markdown 格式
工具

Markdown 是一种轻量级的标记语言，旨在提供一种易于阅读和书写的纯文本格式。它的...
1周前 46
图森未来发布图生视频大模型“Ruyi”，能够在消费级显卡上运行
插件

图森未来今日正式发布了其首款“图生视频”大模型——Ruyi，目前Ruyi-Mini-7B版本已经...
1周前 58
用于创建数据集的桌面工具qapyq：最新版增加了图像缩放、自动遮罩和裁剪功能，以及自动字幕功能
工具

qapyq 是一款专为生成式 AI 模型的数据集整理、微调（finetune）和 LoRA 设计的图...
1周前 48
无问芯穹推出全球首个端侧全模态理解开源模型Megrez-3B-Omni
模型

12月16日，无问芯穹宣布正式开源其“端模型+端软件+端IP”端上智能一体化解决方案中...
1周前 50
新型图像编辑方法FluxSpace：基于修正流变换器（如Flux）来实现文本引导的图像编辑
新技术

校正流模型（如 Flux）在图像生成中已成为主导方法，展示了高质量图像合成的卓越能...
1周前 54
多模态音乐生成系统VMB：够从多种输入模态（如文本、图像和视频）中生成音乐
新技术

多模态音乐生成旨在从多种输入模态（如文本、视频和图像）中生成音乐。尽管现有方...
1周前 54
ObjectMate：能够在无需微调的情况下，实现对象插入和主题驱动的图像生成
新技术

对象插入和主体驱动生成是计算机视觉中的两个重要任务，旨在将给定的对象合成到由...
1周前 46
无需微调的推理范式FreeScale：通过 尺度融合 实现更高分辨率的图片生成
新技术

视觉扩散模型（Diffusion Models）在图像和视频生成领域取得了显著进展，但由于缺...
1周前 44
实例感知结构化字幕框架InstanceCap：实现实例级 和 细粒度 的视频字幕生成，显著提升了字幕与视频之间的一致性和保真度
新技术

近年来，文本到视频生成技术取得了显著进展，但现有的视频字幕生成方法仍然存在一...
1周前 48
Meta推出多模态模型Apollo：擅长处理长视频，能够在长达一小时的视频中保持高效的理解能力
模型

尽管视频感知能力已经迅速集成到大型多模态模型（LMMs）中，但其驱动视频理解的基...
1周前 44
GenEx：从单张RGB图像生成一个可探索的3D一致性虚拟环境
新技术

理解、导航和探索三维物理现实世界一直是人工智能（AI）领域的一个核心挑战。传统...
1周前 48
UltraReal Fine-Tune：基于 FLUX.1-dev 模型的现实主义微调版本
模型

UltraReal Fine-Tune 是基于 FLUX.1-dev 模型的一个微调版本，旨在通过训练者自己...
1周前 46
没有账号？注册  忘记密码？