· ai
[Paper] VASA-3D：单张图像的逼真音频驱动 Gaussian 头部化身
我们提出 VASA-3D，一种音频驱动的单次拍摄 3D 头部化身生成器。本研究解决了两个主要挑战：捕捉细微的表情细节 p...
-
- · ai
【论文】ART: 关节式重建Transformer
我们介绍 ART，Articulated Reconstruction Transformer —— 一个类别无关的前馈模型，能够仅凭 … 重建完整的 3D 铰接对象。
- · ai
[Paper] EVOLVE-VLA: 基于环境反馈的测试时训练用于视觉-语言-动作模型
实现真正的自适应具身智能需要代理不仅通过模仿静态示范来学习，而是通过在环境中持续改进来不断提升。
- · ai
[Paper] 通过 Semiotic Isotopy 引导的数据集构建提升视觉情感分析
视觉情感分析（VSA）是一项具有挑战性的任务，因为情感显著的图像种类繁多，并且获取足够的……
- · ai
[Paper] 多中心基准：基于Multiple Instance Learning模型的HE染色全切片图像淋巴瘤亚型划分
及时且准确的淋巴瘤诊断对于指导癌症治疗至关重要。标准诊断实践结合了苏木精-伊红（HE）染色的全…
- · ai
[Paper] JMMMU-Pro: 基于图像的日语多学科多模态理解基准 via Vibe 基准构建
本文介绍了 JMMMU‑Pro，一个基于图像的日语多学科多模态理解基准，以及 Vibe Benchmark Construction，一个可扩展的…
- · software
alpr.watch
文章链接: https://alpr.watch/ 评论链接: https://news.ycombinator.com/item?id=46290916 积分: 224 评论数: 114
- · ai
Ai2的 Molmo 2 表明开源模型可以在视频理解方面与专有巨头竞争
在刚刚发布其 Olmo 基础模型最新版本后，Allen Institute for AI（Ai2）于周二推出了其开源视频模型 Molmo 2，……
- · ai
AlphaFlow：理解与改进 MeanFlow 模型
AlphaFlow 为 MeanFlow 图像模型提供了更平滑的训练计划，减少了其两个目标之间的冲突，加速了学习。概述……
- · ai
[Paper] DiffusionBrowser：通过多分支解码器实现交互式 Diffusion 预览
视频扩散模型已经彻底改变了生成视频合成，但它们不够精确、速度慢，并且在生成过程中可能不透明——让用户处于……
- · ai
[Paper] LitePT：更轻更强的 Point Transformer
现代用于3D点云处理的神经架构同时包含卷积层和attention块，但如何最佳组合它们仍未明确……
- · ai
[Paper] 面向可扩展的视觉 Tokenizer 预训练用于生成
视觉分词器（例如 VAEs）中的潜在空间质量对现代生成模型至关重要。然而，标准的基于重构的训练……