E2GAN：用于图像到图像翻译的高效训练和推理的生成对抗网络（GAN）模型
Snap和东北大学的研究人员推出E2GAN，这是一种用于图像到图像翻译的高效训练和推理的生成对抗网络（GAN）模型。简单来说，E2GAN的目标是让计算机能够通过学习大量图像数据，快速生成或编辑出符合特...
排序
新型框架Cavia：生成具有相机控制功能的多视角视频
德克萨斯大学奥斯汀分校、苹果和谷歌的研究人员推出新型框架Cavia，它能够生成具有相机控制功能的多视角视频。简单来说，Cavia可以根据一张图片和一些相机运动的指令，生成一系列从不同角度和时间点观察的...
新型框架FreeTraj：在视频扩散模型中实现无需调整参数的轨迹控制
南洋理工大学、 香港科技大学和腾讯人工智能实验室的研究人员推出新型框架FreeTraj，它用于在视频扩散模型中实现无需调整参数的轨迹控制。简而言之，FreeTraj允许用户在生成视频时精确控制视频中对...
CleanDIFT：从大规模预训练的扩散模型中提取无噪声、与时间步无关的通用特征表示
慕尼黑大学的研究人员推出一种名为CleanDIFT的新方法，用于从大规模预训练的扩散模型中提取无噪声、与时间步无关的通用特征表示。这种方法特别针对的是，以往在使用扩散模型提取特征时需要向图像添加噪声...
多功能图像到图像视觉助手PixWizard：根据自由形式的语言指令执行图像生成、编辑和转换
香港中文大学MMLab、北京大学和上海人工智能实验室的研究人员推出一种多功能的图像到图像视觉助手 PixWizard，它可以根据自由形式的语言指令执行图像生成、编辑和转换。简单来说，PixWizard...
新型视频生成方法TrackGo：根据用户的输入精确控制视频中对象的运动
北京航空航天大学和爱诗科技的研究人员推出新型视频生成方法TrackGo，它能够根据用户的输入精确控制视频中对象的运动。这项技术允许用户通过自由形式的遮罩（masks）和箭头来指定目标对象或部分，以及它...
基于物理的交互式3D对象动态生成方法PhysDreamer：利用视频生成技术实现与3D物体进行物理交互
来自麻省理工学院、斯坦福大学、 哥伦比亚大学和康奈尔大学的研究人员推出PhysDreamer系统，这是一个基于物理的交互式3D对象动态生成方法。PhysDreamer能够使静态的3D对象通过视频生成模...
微软亚洲研究院推出新框架VASA-1：基于一张静态图片和一个语音音频片段，实时生成逼真的会说话的面孔
微软亚洲研究院推出新框架VASA-1，它可以根据单张静态图像和语音音频片段，生成具有吸引力的视觉情感技能（VAS）的虚拟角色栩栩如生的说话面孔。这个技术的核心在于它能够精确地捕捉到人脸的微妙动态和头部...
Grok上线Grok Studio 功能：可编辑创建文档、代码、报告等
今天（4月16日），Grok官方账号宣布推出了全新的Grok Studio功能，这是一款类似于OpenAI的Canvas工具，支持用户编辑和创建文档及基础应用程序。这一新功能为用户提供了更强大的创作能...
FSC-CLIP：提升预训练视觉和语言模型（VLMs）在理解图像和文字组合任务上的能力，同时保持在多模态任务上的性能
韩国科学技术院、世宗大学和汉阳大学的研究人员推出FSC-CLIP，提升预训练视觉和语言模型（VLMs）在理解图像和文字组合任务上的能力，同时保持在多模态任务上的性能。简单来说，就是让计算机能够更好地理...
无需训练的个性化定制RectifID：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
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...
基于文本的编辑框架TurboEdit：能够使用极少的几步就能基于文本指令编辑真实图片
特拉维夫大学的研究人员推出一种流行的基于文本的编辑框架TurboEdit，它能够使用极少的几步就能基于文本指令编辑真实图片。这种技术利用了所谓的“扩散模型”（diffusion models），这是一...
