新技术

索尼推出新型音频-视觉生成模型Visual Echoes，这个模型能够根据一张图片生成与之相对应的音频，或者反过来，根据一段音频生成匹配的图片。这种技术在多模态生成领域具有很大的潜力，因为它能够将视觉...

来自北京大学、快手、电子科技大学和浙江大学的研究人员推出新型图像生成技术RectifID，它能够根据用户提供的参考图像定制化地生成新图像，同时保留原始图像中的身份特征。简单来说，这项技术可以帮助我们在...

Google Deepmind推出新型图像生成模型Semantica，Semantica的核心特点是它能够在不需要对特定数据集进行微调（finetuning）的情况下，适应不同的图像数据集。这是通过一...

麻省理工学院和 Adob​​e 研究中心的研究人员推出DMD2（Distribution Matching Distillation的改进版），这是一种改进图像合成技术，特别是针对大语言模型在图像生成...

首尔国立大学推出文生视频新技术FIFO-Diffusion，它基于预训练的扩散模型，用于文本条件视频生成。简单来说，FIFO-Diffusion能够根据文本描述生成无限长度的视频，而且不需要额外的训练...

来自浙江大学、腾讯、 VIVO和南洋理工大学的研究人员推出Face-Adapter，这是一个专为预训练扩散模型设计的高效且有效的适配器，用于实现高精度和高保真的面部编辑。经过观察，开发人员发现无论是人...

德克萨斯大学奥斯汀分校和谷歌的研究人员推出新型图像匹配技术OmniGlue，这是首个以泛化为核心设计原则的可学习图像匹配器。OmniGlue利用来自视觉基础模型的广泛知识来指导特征匹配过程，从而增强了...

商汤研究院推出文本嵌入模型Piccolo2，它在多个任务上的表现超越了其他模型，并在CMTEB基准测试中创下了新的最高标准。文本嵌入是一种将文本转换成数值向量的技术，这些向量能够捕捉单词、短语或整篇文...

英伟达推出新型文生图模型BlobGEN，这个模型的核心思想是将场景分解为视觉原语——被称为密集的blob（斑点）表示——这些表示包含了场景的细粒度细节，同时具备模块化、易于理解和构建的特点。例如，一个...

IDEA研究院（粤港澳大湾区数字经济研究院）推出先进模型系列Grounding DINO 1.5，旨在推动开放集对象检测技术的边界。开放集对象检测是一种计算机视觉任务，它要求模型能够识别图像中的对象...

Meta推出多模态基础模型家族Chameleon，它们是专为理解和生成图像与文本而设计，多模态意味着这些模型能够同时处理多种类型的数据，比如图片和文字。例如，你给Chameleon一个描述或者一张图片...

腾讯混元团队推出支持中英双语提示词的文生图模型Hunyuan-DiT，它特别擅长理解中文和英文的文本提示，并据此生成图像，Hunyuan-DiT能够根据上下文与用户进行多轮多模态对话，生成并优化图像...