· ai
[Paper] InfiniDepth：任意分辨率和细粒度深度估计的神经隐式场
现有的深度估计方法根本上受限于在离散的图像网格上预测深度。这类表示方式限制了它们在任意…
-
- · ai
[Paper] 多功能多模态代理用于多媒体内容生成
随着 AIGC（AI 生成内容）技术的进步，越来越多的生成模型正在革新视频编辑、音乐等领域。
- · ai
[论文] LTX-2：高效联合音频-视觉基础模型
近期的 text-to-video diffusion 模型能够生成引人入胜的视频序列，但它们仍然是无声的——缺失语义、情感和氛围线索……
- · ai
[Paper] UniCorn：通过自生成监督实现自我改进的统一多模态模型
虽然统一多模态模型（UMMs）在跨模态理解方面取得了显著成功，但它们在利用 su… 能力方面仍然存在显著差距。
- · ai
[Paper] AnatomiX，一种解剖感知的基于真实的多模态大型语言模型用于胸部X光片解读
多模态医学大型语言模型在胸部X光解读方面表现出令人印象深刻的进展，但仍然面临空间推理和……
- · ai
[Paper] 多模态数据增强的基础模型在无线网络中的预测与控制：综述
基础模型（FMs）被视为一种变革性的突破，已开始重塑人工智能（AI）的未来，跨越学术...
- · ai
[Paper] DiffBench 与 DiffAgent：端到端 LLM 驱动的 Diffusion 加速代码生成
扩散模型在图像和视频生成方面取得了显著成功。然而，它们固有的多步推理过程会带来巨大的计算成本……
- · ai
[Paper] LSP-DETR: 高效且可扩展的全切片图像细胞核分割
精确且可扩展的细胞核实例分割对于计算病理学至关重要，然而千兆像素全切片图像带来了巨大的计算挑战。
- · ai
[Paper] Unified Thinker：通用推理模块化核心用于图像生成
尽管在高保真图像合成方面取得了令人印象深刻的进展，生成模型在逻辑密集型指令遵循方面仍然存在困难，暴露出一个持续的……
- · ai
全局注意力机制：保留信息以增强通道-空间交互
概述：全局注意力帮助计算机更好地看图像——不会丢失细节。通过在整幅图像中保留信息，模型可以保留……
- · ai
【论文】ExposeAnyone：个性化 Audio-to-Expression 扩散模型是鲁棒的 Zero-Shot 人脸伪造检测器
检测未知的 deepfake 操作仍然是 face forgery detection 中最具挑战性的问题之一。当前最先进的方法未能生成……
- · ai
[Paper] VINO：统一视觉生成器与交错全模态上下文
我们提出了 VINO，一个统一的视觉生成器，能够在单一框架内进行图像和视频的生成与编辑。它不依赖于特定任务的……