MMAudio：基于多模态联合训练的同步音频生成系统
模型

近年来，多模态生成模型在图像、视频和文本等领域取得了显著进展，但将视觉和文本...
2周前 52
LIFT：利用人类反馈进行文生视频模型对齐的新型微调方法
模型

文本到视频（T2V）生成模型近年来取得了显著进展，能够生成高质量的合成视频。然而...
2周前 54
多模态大语言模型InternVL 2.5：处理和理解来自多种模态（如文本、图像和视频）的信息
模型

InternVL 2.5 是由上海人工智能实验室、商汤科技研究院、清华大学、南京大学、复旦...
2周前 48
阿里巴巴语音实验室发布开源语音处理框架 ClearerVoice-Studio：支持语音增强、分离和目标说话人提取
模型

在当今的音频环境中，清晰沟通面临诸多挑战。背景噪音、重叠对话以及音频和视频信...
2周前 56
shou_xin：基于FLUX.1-dev 的铅笔素描Lora
模型

shou_xin是ComfyUI工作流大神Datou根据小红书上的画家手訫(shou xin)的铅笔速写作...
2周前 60
开源视觉语言模型Moondream：将强大的图像理解能力与极小的资源占用完美结合
模型

Moondream 是一款高效的开源视觉语言模型（VLM），它将强大的图像理解能力与极小的...
2周前 58
单步扩散方法NitroFusion：通过动态对抗框架实现高质量的图像生成
模型

萨里大学和NetMind.AI的研究人员提出了NitroFusion，这是一种根本不同的单步扩散方...
2周前 52
字节跳动推出新型统一图像标记器TokenFlow：弥合多模态理解和生成之间的长期存在的差距
模型

字节跳动的研究团队提出了TokenFlow，这是一种新颖的统一图像标记器，旨在弥合多模...
2周前 50
新型生成模型OmniFlow：用于处理任何到任何（any-to-any）的多模态生成任务，例如文本到图像、文本到音频以及音频到图像的合成
模型

加州大学洛杉矶分校、松下AI研究院和Salesforce AI研究院的研究人员共同提出了Omni...
2周前 44
微软推出全新多模态大语言模型家族Florence-VL
模型

马里兰大学和微软研究院的研究团队共同提出了Florence-VL，这是一个全新的多模态大...
2周前 42
新颖3D生成模型TRELLIS：能够创建多功能且高质量的3D资产
模型

清华大学、中国科学技术大学和微软研究院的研究团队联合提出了一种名为TRELLIS的新...
2周前 48
谷歌推出开源视觉语言模型PaliGemma2：增加了强大的视觉能力，更容易微调
模型

今年5月，谷歌推出了 PaliGemma，这是 Gemma 家族中的第一个视觉语言模型，旨在使...
2周前 48
没有账号？注册  忘记密码？