视频流翻译方法Live2Diff：专为直播视频转换设计的时间单向注意力视频扩散模型
上海人工智能实验室、马克斯普朗克信息研究所和南洋理工大学的研究人员推出视频流翻译方法Live2Diff（LIVE2DIFF），它利用了单向注意力机制在视频扩散模型中，专门为直播视频流设计。这种方法的核...
排序
通用反馈学习架构ID-Aligner：用于提升文本到图像生成任务中的身份保持性能
来自中山大学和字节跳动的研究人员推出通用反馈学习架构ID-Aligner，它用于提升文本到图像生成（Text-to-Image Generation）任务中的身份保持（Identity-Preserv...
新型视频生成框架ConFiner：结合多个专家模型的能力，以一种高效且无需训练的方式，生成高质量且连贯的视频内容
悉尼大学、东南大学、中南大学、上海交通大学、商汤科技研究院和香港科技大学的研究人员推出新型视频生成框架ConFiner，它通过一系列现成的扩散模型专家（diffusion model experts...
视频编辑框架VideoSwap：让用户自定义视频中的主要对象（例如人物、动物或物体），同时保持背景不变
来自新加坡国立大学和Meta推出视频编辑框架VideoSwap，它能够让用户自定义视频中的主要对象（例如人物、动物或物体），同时保持背景不变。你还可以通过交互式操作（如添加、删除等）进一步细化交换结果...
微调模型TCD：提高图像生成的速度和质量
来自华南理工、南洋理工、北理工和悉尼大学的研究人员推出TCD（Trajectory Consistency Distillation），这是一种用于加速文生图模型图像生成的微调模型。TCD的目标是提高...
多模态大语言模型LITA：专门设计来处理视频中的时间定位问题
英伟达推出多模态大语言模型LITA（Language Instructed Temporal-Localization Assistant），它专门设计来处理视频中的时间定位问题。 GitHub 论文...
新型自编码器LiteVAE：用于提高图像生成模型中的效率和性能
来自苏黎世联邦理工学院和迪士尼研究工作室的研究人员推出新型自编码器LiteVAE，它被设计用于提高图像生成模型中的效率和性能。自编码器是一类神经网络，它们通过学习数据的压缩表示来重构数据。在图像处理中...
Meta推出多模态基础模型家族Chameleon：专为理解和生成图像与文本而设计
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...
新型图像生成蒸馏模型LinFusion：利用文本提示生成高分辨率的图像
新加坡国立大学学习与视觉实验室的研究人员推出新型图像生成模型LinFusion，它能够利用文本提示生成高分辨率的图像。LinFusion的核心在于它采用了一种新颖的线性注意力机制，这使得它在处理大量像...
字节跳动推出新型视频生成技术CamTrol：为现有的视频扩散模型增添摄像机运动操控功能
中国科学技术大学和字节跳动的研究人员推出新型视频生成技术CamTrol，这是一种无需训练的、强大的解决方案，可以为现有的视频扩散模型增添摄像机运动操控功能。简单来说，就是可以在不经过额外训练的情况下...
Follow-Your系列新框架Follow-Your-Pose v2：用于于角色图像动画的框架，可以根据一系列的动作信号（比如视频、深度图或姿势序列）生成动画视频
来自腾讯混元团队、中山大学、香港科技大学的研究人员推出Follow-Your系列新框架Follow-Your-Pose v2，这是去年发布的Follow-Your-Pose升级版，这是一个用于于角色图...
LaVi-Bridge：将不同的语言模型和生成视觉模型结合起来，用于文生图
来自香港大学、香港中文大学、香港科技大学的研究团队推出LaVi-Bridge，它能够将不同的语言模型和生成视觉模型结合起来，用于文本到图像的生成任务。通过利用LoRA和适配器技术，LaVi-Bridg...
