模型

Rhymes AI之前开源了视频生成模型Allegro，近期它们又推出了Allegro-TI2V。作为原始Allegro模型的迭代，Allegro-TI2V提供了前所未有的能力，将文本描述和图像转化为...

IDEA的研究人员推出多模态大语言模型ChatRex，它旨在提升对人类姿态的感知和理解能力。ChatRex通过结合视觉和语言模型，能够执行多种与人体姿态相关任务，包括姿态理解、生成和编辑。这个模型特别...

比勒费尔德大学 CITEC 机器学习小组提出了一项新颖的任务——虚拟脱衣（Virtual Try-Off, VTOFF），旨在从穿着衣服的单张照片中生成标准化的服装图像。与传统的虚拟试穿（Virtua...

尽管文本到图像（T2I）生成模型在近年来取得了显著进展，用户在实际应用中仍然面临着诸多挑战。制作合适的提示、选择适当的模型和配置特定参数等繁琐步骤的复杂性和不确定性，使得用户不得不通过反复试验来获得满...

随着计算机图形学和人工智能的发展，生成高质量的人类动画变得越来越重要。特别是，当涉及到创建生动、自然的动画时，音频、姿势或运动图等条件的引入大大提升了动画的真实性和表现力。然而，这些增强的方法也带来了...

新加坡国立大学和微软的研究人员推出用于 GUI（图形用户界面） 自动化的视觉代理模型ShowUI ，它是一个结合了视觉、语言和行动能力的大模型，旨在提高人机交互的效率和生产力。ShowUI通过理解和执...

近年来，随着机器学习技术的飞速发展，视觉-语言模型（VLM）的需求不断增加。这些模型能够处理图像和文本的组合任务，如图像描述、问答和故事生成等。然而，大多数现有的VLM需要大量的计算资源和内存，这限制...

在Black Forest Labs发布了官方FLUX.1 Tools系列开源模型后，Stability AI也不甘落后，于今天发布了三款官方ControlNets模型：Blur、Canny和Dept...

语音识别技术在过去几年取得了显著进展，AI的进步大大提高了其可访问性和准确性。然而，该技术仍面临一些挑战，特别是在理解和转录人名、地点和特定术语等口语实体方面。这些挑战不仅在于准确地将语音转换为文本...

AI2、加州大学欧文分校和华盛顿大学的研究人员介绍了一种名为OneDiffusion的多功能、大规模扩散模型。OneDiffusion能够无缝支持在多样化任务中进行双向图像合成和理解，涵盖从文本、深度...

Qwen2vl-Flux 是一种先进的跨模态图像生成模型，它将Qwen2VL的视觉语言理解能力与FLUX框架相结合，实现了更精确和上下文感知的图像生成。该模型在文本提示和视觉参考的基础上生成高质量图像...

新加坡国立大学的研究团队提出了一种名为OminiControl的新型框架，它旨在为预训练的DiT模型（FLUX模型）提供最小化和通用的控制。OminiControl通过整合图像条件，使得DiT模型能够...