新型图像生成模型Hourglass Diffusion Transformer（HDiT）
Stability AI、慕尼黑大学和Birchlabs的开发人员提出了一种名为Hourglass Diffusion Transformer（HDiT）的新型图像生成模型，该模型在保持高分辨率图像合...
排序
零样本视频恢复DiffIR2VR-Zero：将低质量的视频转换成高质量的视频
阳明交通大学、东京大学和联发科的研究人员推出DiffIR2VR-Zero，它能够实现零样本（zero-shot）视频恢复。零样本意味着这种方法不需要针对特定任务进行训练，就能将低质量的视频转换成高质量...
多模态框架MotionLLM：理解和解释人类行为，特别是通过分析人体动作和视频
清华大学、香港中文大学（深圳）、国际数字经济学院和香港科技大学的研究人员推出人工智能系统MotionLLM，它的主要任务是理解和解释人类行为，特别是通过分析人体动作和视频。例如，你有一台智能相机，它不...
高效灵活的对象检测工具YOLO-World
来自腾讯AI实验室、华中科技大学EIC学院的研究人员推出高效实时开放词汇对象检测框架YOLO-World，旨在通过视觉语言模型和大规模数据集的预训练，增强YOLO（You Only Look Once...
图像转换方法img2img-turbo：在单个步骤中完成复杂的图像转换任务，同时不需要成对的训练数据，适用于多种应用场景
来自卡内基梅隆大学和Adobe的研究人员推出新的图像转换方法img2img-turbo，它能够在单个步骤中将图像从源域转换到目标域，例如从白天的场景转换到夜晚，或者添加和移除天气效果如雾、雪和雨。这种...
创新框架UniAnimate：用于生成高质量、时间连贯的人类图像动画视频
华中科技大学、 阿里巴巴和中国科学技术大学的研究人员推出创新框架UniAnimate，它专门用于生成高质量、时间连贯的人类图像动画视频。UniAnimate通过结合统一的视频扩散模型、统一的噪声输入和...
视觉语言模型CoLLaVO：提高视觉语言模型在零样本视觉语言任务中的性能
韩国研究人员推出视觉语言模型CoLLaVO（Crayon Large Language and Vision mOdel），此模型旨在通过增强对象级别的图像理解能力，提高视觉语言模型（VLMs）在零样...
后训练压缩策略DiTFastAttn：压缩和加速DiT模型，缓解DiT的计算瓶颈问题
来自清华大学、无问芯穹（Infinigence AI）、卡内基梅隆大学和上海交通大学的研究人员推出新技术DiTFastAttn，它专门用于压缩和加速一种称为Diffusion Transformers...
新型视频生成技术“CVD（协作视频扩散）”：生成从多个不同摄像机轨迹视角下观察同一场景的一致性视频
斯坦福大学和香港中文大学的研究人员推出新型视频生成技术“协作视频扩散”（Collaborative Video Diffusion，简称CVD），这项技术的核心目标是能够生成从多个不同摄像机轨迹视角下...
英伟达推出新型文生图模型BlobGEN：基于blob（斑点）的文本到图像扩散模型
英伟达推出新型文生图模型BlobGEN，这个模型的核心思想是将场景分解为视觉原语——被称为密集的blob（斑点）表示——这些表示包含了场景的细粒度细节，同时具备模块化、易于理解和构建的特点。例如，一个...
3D图像渲染技术SAGS：改进现有的3D图像渲染方法，以实现更高质量的图像渲染，同时减少所需的计算资源和存储空间
来自伦敦帝国理工学院和华为诺亚方舟实验室的研究人员推出新的3D图像渲染技术SAGS（Structure-Aware 3D Gaussian Splatting），这项技术旨在改进现有的3D图像渲染方法...
新型3D生成模型LN3Diff：快速生成高质量的3D对象
来自南洋理工大学、北京大学和上海人工智能实验室推出新型3D生成模型LN3Diff，它是一个基于潜在空间的神经辐射场扩散模型，用于快速生成高质量的3D对象。 项目主页 GitHub 想象一下，你有一张2...
