PSHuman：利用多视角扩散模型先验的3D人体建模新框架
真实感3D人体建模在虚拟现实、增强现实、电影制作、游戏开发和医疗等领域具有广泛的应用。尽管单目全身重建方法取得了显著进展，但它们通常依赖于前视图和/或预测的后视图，这导致了由于问题的病态性质和复杂的自...
排序
3D高效框架Make-It-Animatable：将任意3D人物模型快速制作成可用于动画的角色
中国科学技术大学和腾讯的研究人员推出高效框架Make-It-Animatable，它用于将任意3D人物模型快速制作成可用于动画的角色。这个框架能够在不到一秒钟的时间内，无论3D模型的形状和姿势如何，都...
ViewExtrapolator：于在新视角合成领域中进行新视角外推
南洋理工大学和中国科学院大学的研究人员推出一个名为ViewExtrapolator的新方法，它用于在新视角合成（novel view synthesis, NVS）领域中进行新视角外推（novel v...
文生图模型SnapGen：能够在移动平台上生成高分辨率和高品质的图像
现有的文本到图像（T2I）扩散模型虽然在生成高质量图像方面表现出色，但面临着几个关键挑战： 模型尺寸大：许多先进的T2I模型包含数十亿个参数，导致存储和部署成本高昂。 运行时间慢：生成高分辨率图像通常...
原生FP4训练框架 Quartet：通过在低精度（ FP4）下进行高效的端到端训练，显著提升大语言模型（LLMs）的训练效率和性能
ISTA和苏黎世联邦理工学院的研究人员推出原生FP4训练框架 Quartet，通过在低精度（ FP4）下进行高效的端到端训练，显著提升大语言模型（LLMs）的训练效率和性能，二之前DeepSeek R...
通过推理计算来提高通用奖励建模（RM）的推理时间可扩展性
强化学习（RL）在大语言模型（LLM）的后续训练中已被广泛应用，尤其是在提升模型的推理能力方面。然而，如何在各种领域中为LLM获得准确的奖励信号，仍然是一个关键挑战。 论文：https://arxiv...
Track4Gen：用于视频生成的空间感知视频生成器
Adobe 研究中心、韩国科学技术院和伦敦大学学院的研究人员推出Track4Gen，这是一个用于视频生成的空间感知视频生成器，它结合了视频扩散损失和跨帧点跟踪，提供了对扩散特征的空间监督，以增强视...
腾讯推出新型视频分词器Divot：统一视频的理解和生成
近年来，大语言模型（LLMs）在图像理解和生成方面取得了显著进展，尤其是在将图像编码为离散标记并结合LLMs进行多模态任务时。然而，将这一成功扩展到视频领域面临着更大的挑战，因为视频不仅包含空间信息...
Motion Prompting框架：通过动轨迹控制视频生成
Google DeepMind、密歇根大学和布朗大学的研究人员推出一个名为“Motion Prompting”的框架，它用于控制视频生成中的动作轨迹。该框架通过使用运动轨迹作为条件信号，来生成具有特定...
先进跟踪系统TAPTRv3：用于在长视频中跟踪任意点
IDEA Research、华南理工大学、清华大学和香港科技大学的研究人员推出先进跟踪系统TAPTRv3，它专门设计用于在长视频中跟踪任意点。TAPTRv3是建立在TAPTRv2基础上的，主要目标是提...
基于图像扩散先验的深度修复模型DepthLab：从单张图像中生成完整的3D场景
香港大学、香港科技大学、蚂蚁集团、阿尔托大学和通义实验室的研究人员推出DepthLab ，它是一个基于图像扩散先验的深度修复模型，用于从单张图像中生成完整的3D场景。DepthLab旨在解决深度数据中...
零一万物推出Presto：专为生成长达15秒的高质量视频而设计的新型扩散模型
零一万物团队隆重推出Presto——一款专为生成长达15秒的高质量视频而设计的新型扩散模型。Presto旨在克服长时间视频生成中保持场景多样性和一致性的挑战，通过引入分段交叉注意力（Segmented...
