基于人类与场景互动数据集Trumans开发的动作生成模型
来自北京大学人工智能研究院、BIGAI通用人工智能国家重点实验室、北京大学CFCS计算机学院和北京理工大学的研究团队创建一个详细的人类与场景互动数据集trumans，并开发出一种先进的动作生成模型，为...
排序
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...
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...
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...
大语言模型适配器ELLA：提升了文生图模型处理复杂描述的能力
腾讯推出大语言模型适配器（LLM Adapter）ELLA，无需 U-Net 或大语言模型训练，就可通过 ELLA ，为文生图模型增强文本对齐，解决大多数模型受限于 CLIP 本身对密集提示词的理解能...
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...
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...
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...
腾讯音乐娱乐推出开源虚拟人视频生成框架MusePose
腾讯音乐娱乐旗下天琴实验室推出开源虚拟人视频生成框架MusePose，MusePose 是 Muse 开源系列的最后一个组件，与 MuseV 和 MuseTalk 一起，标志着向构建端到端虚拟人物生成...
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...
改进图像生成技术DMD2：通过高效的一步生成模型来加速图像生成过程，同时保持或甚至超越原始模型的质量
麻省理工学院和 Adobe 研究中心的研究人员推出DMD2（Distribution Matching Distillation的改进版），这是一种改进图像合成技术，特别是针对大语言模型在图像生成...
