新型虚拟试穿技术FitDiT：专为优化DiT模型的虚拟试穿性能而设计
尽管基于图像的虚拟试穿技术已取得显著进展，但在生成高保真度和适应性强的拟合图像上仍面临诸多挑战。尤其在纹理感知维护和尺寸感知拟合等关键领域，现有方法往往难以达到理想效果，这限制了技术的整体实用性。为应...
排序
新型Transformer框架Gaze-LLE：用于估计人在场景中注视的目标位置
佐治亚理工学院和伊利诺伊大学厄巴纳-香槟分校的研究人员推出新型Transformer框架，它用于估计人在场景中注视的目标位置。这项技术的核心在于预测一个人在观看什么，这需要对个体的外观和场景内容进行推...
VisionReward：用于图像和视频生成的细粒度多维度人类偏好学习框架
清华大学和智谱AI的研究人员推出VisionReward，这是一个用于图像和视频生成的细粒度多维度人类偏好学习框架。VisionReward通过构建一个细粒度且多维度的奖励模型，将人类对图像和视频的偏...
Ingredients：将多个特定身份（ID）的照片与视频生成模型结合，实现定制化的视频创作
昆仑万维的研究人员推出一个强大的框架 Ingredients，通过将多个特定身份（ID）的照片与视频扩散变换器（Video Diffusion Transformers）结合，实现定制化的视频创作。该...
单步扩散模型 DepthMaster：将扩散模型应用于单目深度估计
中国科学技术大学和vivo移动通信有限公司的研究人员推出一种单步扩散模型 DepthMaster，，旨在将扩散模型应用于单目深度估计（Monocular Depth Estimation, MDE）。...
图生视频框架Through-The-Mask：将静态图像转换为基于文本描述的真实视频序列
Meta和耶路撒冷希伯来大学的研究人员推出图生视频框架Through-The-Mask，旨在将静态图像转换为基于文本描述的真实视频序列。该框架通过引入基于掩码的运动轨迹作为中间表示，能够准确地动画化多...
新型视频生成框架GS-DiT：通过伪4D高斯场实现对视频内容的精确4D控制
香港中文大学多媒体实验室、博智感知交互研究中心和Avolution AI的研究人员推出新型视频生成框架GS-DiT，旨在通过伪4D高斯场实现对视频内容的精确4D控制。GS-DiT通过构建伪4D高斯场并...
高保真面部表情编辑框架MagicFace：通过控制面部动作单元的变化来实现对特定人物面部表情的精细编辑
芬兰奥卢大学信息技术与电气工程学院机器视觉与信号分析中心和东南大学生物科学与医学工程学院儿童发展与学习科学教育部重点实验室的研究人员推出高保真面部表情编辑框架MagicFace，它通过控制面部动作单元...
Magic Mirror框架：生成具有身份保持（ID-Preserved）和动态运动的高质量视频
香港中文大学、香港科技大学、思谋科技和卡内基梅隆大学的研究人员推出Magic Mirror框架，旨在生成具有身份保持（ID-Preserved）和动态运动的高质量视频。尽管视频扩散模型在文本到视频生成...
PPTAgent：根据文档自动化地生成高质量的演示文稿
中国科学院软件研究所中文信息处理实验室、中国科学院大学和上海捷信科技有限公司的研究人员推出新型框架PPTAgent，旨在自动化地生成高质量的演示文稿。与传统的文本到幻灯片的转换方法不同，PPTAgen...
新型3D感知视频扩散方法DaS：实现对视频生成过程的多样化和精确控制
香港科技大学、浙江大学、香港大学、南洋理工大学、武汉大学和德克萨斯农工大学的研究人员推出新型3D感知视频扩散方法“Diffusion as Shader（DaS）”，旨在实现对视频生成过程的多样化和精...
新型实时一步潜在扩散模型SDXS：在图像生成任务中显著提高效率，同时保持图像质量
小米推出新型实时一步潜在扩散模型SDXS，它能够在图像生成任务中显著提高效率，同时保持图像质量。SDXS模型通过模型小型化和减少采样步骤的双重方法，显著降低了模型的延迟，使其能够在低功耗设备上实时生成...