· ai
【论文】循环视频掩码自编码器
我们提出了循环视频掩码自编码器（Recurrent Video Masked‑Autoencoders，RVM）：一种新颖的视频表示学习方法，使用 transformer‑based 循环神经网络来……
-
- · ai
[Paper] I-Scene：3D 实例模型是隐式可泛化空间学习者
泛化仍然是 interactive 3D scene generation 的核心挑战。现有的 learning-based 方法将 spatial understanding 建立在有限的场景上。
- · ai
[Paper] LASER：用于无训练流式4D重建的层级尺度对齐
近期的前馈重建模型，如 VGGT 和 π^3，取得了令人印象深刻的重建质量，但由于二次内存开销，它们无法处理流式视频。
- · ai
[Paper] 前馈 3D 编辑通过 Text-Steerable Image-to-3D
近期在 image-to-3D 领域的进展为设计、AR/VR 和机器人技术打开了巨大的可能性。然而，要在实际应用中使用 AI 生成的 3D 资产，……
- · ai
[Paper] JoVA：统一多模态学习用于联合视频-音频生成
在本文中，我们提出了 JoVA，一个用于联合 video‑audio 生成的统一框架。尽管最近取得了令人鼓舞的进展，现有方法仍面临两个关键的限制……
- · ai
[Paper] 迈向数字人类的交互智能
我们引入了 Interactive Intelligence，这是一种新颖的数字人范式，能够实现与人格对齐的表达、自适应交互以及自我进化……
- · ai
[论文] 面向个性化文本到图像生成的方向性 Textual Inversion
Textual Inversion（TI）是一种高效的 text-to-image 个性化方法，但在复杂提示下常常失败。我们将这些失败归因于 embedding norm。
- · ai
[论文] World Models 可利用人类视频实现灵巧操作
灵巧的操作具有挑战性，因为它需要理解细微的手部运动如何通过与物体的接触影响环境。我们介绍…
- · ai
[论文] 从代码到现场：评估卷积神经网络在芒果叶疾病诊断中的鲁棒性
通过鲁棒性评估对人工智能（AI）模型进行验证和确认，对于保证其在集成中的可靠性能至关重要……
- · ai
[Paper] Do-Undo：在视觉语言模型中生成与逆转物理动作
我们引入 Do-Undo 任务和基准，以填补视觉语言模型中的关键空白：理解和生成物理上合理的场景转换……
- · ai
[Paper] DA-SSL：自监督域适配器，以在 turbt 病理切片中利用基础模型
近期在组织病理学中的深度学习框架，特别是与病理基础模型（PFMs）相结合的多实例学习（MIL），已经显示出……
- · ai
AI 图像生成器通过变得更糟而变得更好
真正的玩家会知道这张图中的雷尼尔山看起来太大了，但这张 AI 图像中对 Washington State 渡轮的再现令人毛骨悚然。这是 The Ste...