文生视频模型VSTAR：解决现有开源T2V模型难以生成内容动态变化和较长视频的问题
来自博世人工智能中心、曼海姆大学、马克斯·普朗克信息学研究所和图宾根大学的研究团队推出VSTAR，这是一种用于生成动态视频的文本到视频（T2V）合成技术。VSTAR的目标是解决现有开源T2V模型难以生...
排序
创新框架EMO：只需要提供一张静态照片和一段语音，就能生成口型匹配的视频
阿里巴巴推出创新框架EMO，它是一个能够根据音频生成表情丰富的肖像视频的系统。想象一下，你只需要提供一张静态的照片和一段语音，EMO就能创造出一个视频，视频中的人物头像会根据语音的内容和情感变化做出相...
视频驱动人脸识别动画系统LivePortrait：将静态的肖像照片生动地动画化，同时保持高效和精确的控制能力
快手科技、中国科学技术大学和复旦大学的研究人员推出视频驱动人脸识别动画系统LivePortrait，它能够将静态的肖像照片生动地动画化，同时保持高效和精确的控制能力。例如，你有一张其他人物照片，Liv...
阿里推出新型大型多模态模型ConvLLaVA：专门设计用于处理高分辨率的视觉数据
清华大学和阿里巴巴的研究人员推出新型大型多模态模型ConvLLaVA，它专门设计用于处理高分辨率的视觉数据。多模态模型能够理解和处理多种类型的数据，比如文本、图像和视频，这使得它们在各种应用场景中都非...
文本到图像合成框架PIXART-δ：0.5秒内生成1024×1024像素的图像
来自华为诺亚方舟实验室、大连理工大学、香港大学、香港科技大学的研究人员推出了文本到图像合成框架PIXART-δ，这是去年发布的PIXART-α模型的一个升级版本。PIXART-α以其高效的训练过程和生...
单前向视频生成模型SF-V：通过一次前向传播快速生成高质量、运动连贯的视频
Snap和罗格斯大学的研究人员推出新型单步视频生成模型SF-V，此模型的核心特点是能够通过一次前向传播（single forward pass）快速生成高质量、运动连贯的视频，这对于需要实时视频合成和...
DreamReward：通过人类偏好反馈来提升从文本到3D内容生成的质量
生数科技发布创新框架DreamReward，它专注于通过人类偏好反馈来提升从文本到3D内容生成（text-to-3D generation）的质量。它通过结合人类反馈和先进的机器学习技术，极大地提高了...
Adobe推出新版Photoshop：引入全新 Firefly Image 3模型，“调整刷”与“字体浏览器”带来新体验
在昨天的Adobe Max大会上，Adobe带来了重磅更新：Photoshop迎来全新升级，并集成了图像生成模型Firefly Image 3。这一组合不仅为设计师和创意工作者带来了前所未有的AI图像...
无需训练、基于轨迹的可控图像生成技术TraDiffusion：允许用户通过鼠标轨迹来轻松引导图像的生成，而无需进行额外的训练或微调
厦门大学和中国科学院大学深圳先进技术研究院的研究人员推出新型图像生成技术TraDiffusion，这项技术的核心在于它允许用户通过鼠标轨迹来轻松引导图像的生成，而无需进行额外的训练或微调。简单来说，就...
T-Stitch：加速预训练扩散模型采样过程
来自莫纳什大学、英伟达、威斯康星大学麦迪逊分校、加州理工学院的研究人员推出T-Stitch，它是一种用于加速预训练扩散模型采样过程的方法。 项目主页 GitHub 扩散模型是一类在图像生成领域表现出色...
谷歌推出新框架ImageInWords（IIW）：创建准确且细节丰富的图像描述，以提高视觉-语言模型的训练效果
Google Research、Google DeepMind和华盛顿大学的研究团队推出新框架ImageInWords（IIW），此框架旨在创建准确且细节丰富的图像描述，以提高视觉-语言模型（VLMs...
多模态模型Transfusion：能够同时处理离散数据（如文本）和连续数据（如图像）
Meta、Waymo和南加州大学的研究人员推出多模态模型Transfusion，它能够同时处理离散数据（如文本）和连续数据（如图像）。Transfusion的核心思想是将语言模型的下一个词预测（nex...
