新技术

华盛顿大学、Salesforce Research、斯坦福大学和加州大学伯克利分校推出一个包含2.18亿个图像-文本对的数据集BLIP3-KALE，它弥合了描述性合成字幕和网络规模的事实性替代文本之间...

ParaAttention是一种创新的上下文并行注意力机制，旨在通过多个GPU加速FLUX和Mochi模型的推理。通过支持torch.compile和多种并行策略，ParaAttention提供了高效...

Autodesk推出新型3D生成模型“Wavelet Latent Diffusion (WaLa)”，它能够基于多种输入条件（如文本描述、图像、点云等）生成参数化的3D CAD模型。WaLa模型的核...

上海科技大学、忆生科技、深度求索（DeepSeek-AI）和香港大学的研究人员推出一个名为“CAD-MLLM”的系统，它旨在实现一个统一的计算机辅助设计（CAD）模型生成系统。该系统能够根据用户的多种...

图像水印技术在保护数字内容的版权和完整性方面发挥着重要作用。然而，传统的图像水印方法并未针对处理小面积水印区域进行优化，这限制了其在实际应用中的使用，例如图像的部分可能来自不同来源或已被编辑。Meta...

英伟达推出图像生成模型家族Edify Image，它们能够生成高保真度的图像内容，并且具有像素级完美准确性。Edify Image利用了一系列级联的像素空间扩散模型，这些模型通过一个新颖的拉普拉斯扩散...

英伟达、特拉维夫大学和巴伊兰大学的研究人员推出一个名为Add-it的系统，它是一种无需训练的方法，可以在图像中根据文本提示添加对象。这种方法扩展了预训练扩散模型的注意力机制，以整合来自三个关键来源的信...

3D部件分割是3D感知中的一项关键任务，在机器人、3D生成和3D编辑等应用中发挥着重要作用。最近的方法利用强大的视觉语言模型（VLMs）进行2D到3D的知识蒸馏，实现了零样本的3D部件分割。然而，这些...

StdGEN 是由腾讯AI实验室、清华大学和北京航空航天大学的研究人员联合推出的一种创新管道，它能够从单张图片中生成语义分解的高质量3D角色模型。这项技术在虚拟现实、游戏和电影制作等领域有着广泛的应用...

视频与文本之间的细粒度对齐是一个具有挑战性的问题，因为视频中存在复杂的空间和时间动态。现有的基于视频的大型多模态模型（LMMs）虽然可以处理基本对话，但在视频中进行精确的像素级定位方面存在困难。 大型...

图像到视频生成技术已经取得了显著的进步，能够生成高度逼真的视频。然而，调整生成视频中的特定元素，如物体运动或相机移动，通常需要繁琐的试错过程，例如使用不同的随机种子重新生成视频。最近的技术通过微调预训...

香港科技大学、清华大学和生数科技的研究人员推出一个名为DimensionX的框架，它能够从单张图片生成高逼真度的3D和4D场景，并且通过视频扩散技术（video diffusion）实现对空间和时间维...