模型

可控人物图像生成的目标是根据参考图像生成高质量的人物图像，同时允许对人物的外观或姿势进行精确控制。尽管现有的方法在整体图像质量上取得了显著进展，但它们往往会在生成过程中扭曲参考图像中的细粒度纹理细节...

微信 AI 模式识别中心推出视觉语言模型POINTS1.5系列，旨在提升对真实世界应用的处理能力。POINTS1.5是POINTS1.0的增强版本，它通过引入几项关键创新，改进了模型在处理高分辨率图像...

故事可视化，即将文本描述转化为视觉叙事的任务，近年来随着文本到图像生成模型的发展取得了显著进展。然而，现有的模型在处理多角色场景时，特别是在控制角色外观和互动方面，仍然存在局限性。具体来说，这些模型难...

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，但将视觉和文本信息与音频生成结合的任务仍然具有挑战性。传统的音频生成方法通常依赖于单一模态（如仅基于文本或仅基于视频），难以实现高质量的音...

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，这些模型在将合成视频与人类偏好（例如，准确反映文本描述）对齐方面仍然存在不足。复旦大学、上海人工智能科学院和阿德莱德大...

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、复旦大学、香港中文大学和上海交通大学等多家机构联合推出的一款先进的多模态大语言模型（MLLM）。该模型基于此前发布...

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号的混合等因素常常破坏了沟通的清晰度和理解力。这些问题不仅影响个人通话，还波及专业会议和内容制作等场景。尽管音频技术有所进步...

shou_xin是ComfyUI工作流大神Datou根据小红书上的画家手訫(shou xin)的铅笔速写作品训练的Flux Lora，不仅可以出铅笔素描图还可以出彩铅图，已提供模型和工作流。 模型：h...

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资源占用完美结合。这款模型设计初衷是为各种设备和平台提供多功能且易于访问的人工智能解决方案。 官网：https...

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法，旨在通过动态对抗框架实现高质量的图像生成。尽管单步方法在速度上具有显著优势，但它们通常在生成质量上...

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，旨在弥合多模态理解和生成之间的长期存在的差距。先前的方法尝试使用单一的重建导向向量量化（VQ）编码器来统一这两项任务，但这种做...

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OmniFlow，这是一种新颖的生成模型，专为处理“任何到任何”（any-to-any）生成任务设计，如文本到图...