新技术

加拿大西蒙弗雷泽大学的研究人员推出ColorfulShading，它能够将真实世界中的照片中的表面反射率（也就是物体本来的颜色）和照明效果（比如光线如何影响物体的外观）分离开来。简单来说，它可以将一张...

Meta旗下GenAI团队推出个性化图像生成模型Imagine yourself，与传统的基于调整的个性化技术不同，Imagine yourself作为一个无需调整的模型运行，使得所有用户都能利用共享...

中国科学技术大学的研究人员推出人像视频编辑方法PortraitGen，该方法可以根据多模态提示对人像视频进行一致且富有表现力的编辑。例如，给定一段人物跳舞的视频，PortraitGen 可以根据文字提...

新型视频生成技术Dr. Mo（Diffusion Reuse MOtion），这项技术的核心在于提高视频生成的效率，同时保持或提升视频质量。研究团队的关键发现是，在早期去噪步骤中的粗粒度噪声在连续视频...

香港城市大学和腾讯的研究人员推出基于参考的线条艺术视频上色的视频扩散框架LVCD，用于根据参考图像和线稿序列为动画视频着色。这种方法能够生成长时间一致的、高质量的动画视频。LVCD在保持长时间一致性和...

清华大学、腾讯和南洋理工大学 S-Lab的研究人员推出多模态大语言模型Oryx，它专门设计用于理解和处理视觉数据，如图像、视频和3D场景。Oryx模型的特点是能够根据需要处理任意空间大小和时间长度的视...

复旦大学、香港科技大学、香港中文大学和腾讯优图实验室的研究人员推出新型图像到视频生成技术OSV，可以将单张图像转换成视频。这项技术的目标是能够快速生成高质量的视频内容，而不需要复杂的多步骤处理。例如...

约翰·霍普金斯大学和腾讯人工智能实验室的研究人员推出一种新型的文本到音频（Text-to-Audio，简称T2A）生成技术EzAudio，这项技术的目标是将文本描述转换成相应的音频内容，比如将“一只狗...

亚琛工业大学和埃因霍温理工大学的研究人员推出diffusion-e2e-ft，通过微调图像条件扩散模型来简化和提高单目深度估计的效率。单目深度估计是指仅使用一张图片来预测场景中每个像素的深度信息。这项...

北京人工智能研究院推出新型图像生成模型OmniGen，与流行的扩散模型（例如，Stable Diffusion）不同，OmniGen不再需要额外的模块，如ControlNet或IP-Adapter来处...

Jina AI推出文本嵌入模型 jina-embeddings-v3，这是一个具有 5.7 亿参数的新型文本嵌入模型，它在多语言数据和长上下文检索任务上实现了最先进的性能，支持的最大上下文长度达到 8...

字节跳动旗下豆包团队推出音乐生成系统Seed-Music，能够创作出高质量的音乐，并且可以根据用户的细致要求来调整音乐的风格和内容。Seed-Music结合了自回归语言建模和扩散方法，支持两种关键的音...