图像模型

在文本到图像生成领域，如何让预训练模型快速适应新的空间控制条件（如边缘图、深度图、人体姿态等），一直是一个挑战。传统方法通常需要大量标注数据和高昂的训练成本，限制了其灵活性与实用性。 GitHub：h...

近年来，统一多模态模型（Unified Multimodal Models, UMMs）因其在视觉理解与生成任务中的双重能力而受到广泛关注。这类模型旨在通过单一架构实现对图像和文本的联合建模，既能“看...

在文本到图像（Text-to-Image, T2I）生成领域，一个长期存在的困境是：开源模型越做越像，却始终难以真正“理解”复杂指令。 问题不在架构，而在数据与评估 —— 缺乏大规模、注重语义推理的训...

在文生图模型日益成熟的今天，提升生成质量已不再是唯一目标——如何让图像真正符合人类的审美偏好，成为更高阶的挑战。 现有方法通常依赖强化学习或可微奖励机制，将模型输出与人类偏好对齐。但这些方法普遍存在两...

在图像定制领域，个性化生成已逐渐从“一个人一个风格”迈向“多人协同场景”的复杂需求。然而，当一张图中需要同时呈现多个真实人物时，模型常常出现“张冠李戴”——面部特征混淆、身份错位，导致输出失真。这不仅...

由上海人工智能实验室牵头，联合上海创智学院、上海交通大学、悉尼大学、南京大学、香港中文大学和清华大学的研究团队，共同推出 Lumina-DiMOO ——一个面向多模态生成与理解一体化的新型基础模型。 ...

字节跳动正式推出 Seedream 4.0（即梦图片4.0），新一代图像创作模型。该模型在前代 Seedream 3.0 和 SeedEdit 3.0 的基础上，全面增强逻辑理解与多模态推理能力，首次...

腾讯混元项目组正式开源HunyuanImage 2.1，一款支持 2048×2048 超高分辨率（2K）生成的文生图模型。该模型在语义对齐、细节控制与推理效率方面实现显著提升，具备电影级构图能力，并原...

来自香港中文大学MMLab、上海人工智能实验室和悉尼大学的研究团队，推出了一款名为Transition Models (TiM) 的新型生成模型。该模型通过重构生成学习的核心目标，成功破解了生成模型领...

在工业设计、机械工程、产品开发领域，有一个长期存在的“效率瓶颈”： 设计师画好了二维工程图 → 工程师手动在 CAD 软件里重建三维模型 → 耗时、易错、难迭代。 现在，这个问题有了一个自动化解法 ...

在个性化图像生成任务中，我们常常希望将多个参考主体（如人物、动物、物体）的特征融合到一张新图像中——例如，“让A的脸型、B的发型、C的表情和D的服饰出现在同一人身上”。这类任务被称为多主体个性化生成...

在单目深度估计、表面法线预测等密集几何预测任务中，如何在有限标注数据下实现高精度的零样本泛化，一直是三维视觉的核心挑战。 近年来，研究者尝试利用文本到图像生成模型（如Stable Diffusion...