个性化图像生成RealCustom：理解你的描述，并生成符合你要求的个性化图像
来自中科大、字节跳动的研究人员推出新型文本到图像定制方法RealCustom。这种方法的目标是为给定的主题生成受文本驱动的图像，这在内容创作领域具有革命性的意义。 项目主页 论文地址 想象一下，你想要...
排序
新型神经网络渲染技术Joint-TensoRF：使用2D图像作为监督，实现相机姿态和场景几何的精细调整
来自中国台湾阳明交通大学的研究人员推出新型神经网络渲染技术Joint-TensoRF，提高神经渲染中相机姿态和场景几何表示的联合优化性能，特别是在处理复杂场景时的鲁棒性，这对于许多3D视觉和图形应用领...
Media2Face：集成多种媒体输入（音频、图像和文本）生成同步的面部动画和头部姿势
来自上海科技大学、影眸科技、香港大学和叠境数字科技的研究人员提出一个基于扩散的生成模型Media2Face，它能够根据语音信号和多模态条件（如文本、图像）生成同步的面部动画和头部姿势。 项目主页 Me...
Liblib AI推出基于 ControlNet 框架RepText：实现中文文本的准确生成
在当今的文本到图像生成领域，尽管模型在生成视觉上吸引人的图像方面取得了显著进步，但在处理精确且灵活的排版元素时，尤其是对于非拉丁字母，仍然存在明显的局限性。这种局限性主要源于文本编码器在处理多语言输入...
3D内容生成框架DreamGaussian：提高基于图像和文本生成3D模型的效率和质量
来自南洋理工大学、百度和北京大学的研究人员推出3D内容生成框架DreamGaussian，专门设计用于提高基于优化方法创建三维（3D）模型的效率和质量。该框架旨在解决当前从图像或文本快速生成高质量3D...
Bounded Attention：解决文生图模型在生成包含多个主题（subjects）的图像时遇到的挑战
来自特拉维夫大学和Snap的研究人员推出Bounded Attention，它旨在解决文生图模型在生成包含多个主题（subjects）的图像时遇到的挑战。这些模型通常难以准确地捕捉到复杂输入提示中的意...
LightIt：实现图像生成过程中的显式光照控制
来自慕尼黑大学和Adobe Research的研究人员推出LightIt，它能够对由扩散模型生成的图像进行明确的照明控制。研究人员提出了将生成过程与阴影和法线图相结合的新思路。在光照建模方面，采用了单...
3D重建技术MVD2：针对多视角扩散图像进行高效的三维形状重建
来自清华大学和微软亚洲研究院的研究人员推出新型3D重建技术MVD2，它专门针对多视角扩散（Multiview Diffusion，简称MVD）图像进行高效的三维形状重建。 论文地址 MVD是一种新兴的...
动态视频模型DynamiCrafter：为静态图片添加动画效果
来自香港中文大学、腾讯人工智能实验室、北京大学的研究人员推出动态视频模型DynamiCrafter，它是一个利用视频扩散模型（Video Diffusion Models）来为静态图片添加动画效果的工...
Ollama v0.7.0发布：添加新多模态模型引擎，多模态模型支持全面升级
Ollama 最新发布的 v0.7.0 版本带来了对多模态模型的支持，标志着其在本地推理和模型集成能力上的重要突破。此次更新不仅扩展了视觉多模态模型的支持范围，还通过全新的多模态引擎提升了性能、准确性...
腾讯推出多模态基础模型SEED-X：结合视觉和语言理解的能力，可以处理和生成各种类型的数据，包括图像和文本
腾讯AI实验室和ARC实验室共同开发的多模态基础模型SEED-X，这是一个先进的人工智能系统，它结合了视觉和语言理解的能力，可以处理和生成各种类型的数据，包括图像和文本。简单来说，SEED-X就像一个...
CameraCtrl：为文生视频模型提供精确的摄像机控制能力
来自香港中文大学、上海人工智能实验室和斯坦福大学的研究人员推出CameraCtrl，它能够为文本到视频（Text-to-Video, T2V）生成模型提供精确的摄像机控制能力。在视频创作中，摄像机的移...
