· ai
全新 Apple 模型将视觉理解与图像生成相结合，取得惊人效果
Apple 研究人员已发表了一项关于 Manzano 的研究，Manzano 是一种多模态模型，结合了视觉理解和文本到图像生成，同时显著……
-
- · ai
[Paper] Fast-ThinkAct：通过可言语化潜在规划实现高效的 Vision-Language-Action 推理
Vision-Language-Action (VLA) 任务需要对复杂视觉场景进行推理，并在动态环境中执行自适应动作。虽然最近的研究关于 …
- · ai
[Paper] SAM3-DMS：解耦记忆选择用于 SAM3 的多目标视频分割
Segment Anything 3 (SAM3) 已经建立了一个强大的基础，能够在视频中稳健地检测、分割和跟踪指定目标。然而，在其原始…
- · ai
[Paper] COMPOSE：超图覆盖优化用于多视角 3D 人体姿态估计
从稀疏多视角进行 3D pose estimation 是众多应用的关键任务，包括 action recognition、sports analysis 和 human-robot interaction 等。
- · ai
[论文] 高效相机控制的静态场景视频生成：稀疏扩散与3D渲染
基于扩散模型的现代视频生成模型能够生成非常逼真的片段，但它们计算效率低下，通常需要数分钟的……
- · ai
[论文] LLMs 可以压缩 LLMs：由代理进行的自适应剪枝
随着大型语言模型（LLMs）持续扩展，后训练剪枝已成为一种有前景的方法，可在保持性能的同时降低计算成本……
- · ai
[Paper] STEP3-VL-10B 技术报告
我们推出 STEP3-VL-10B，这是一款轻量级开源基础模型，旨在重新定义紧凑效率与前沿水平多模态之间的权衡……
- · ai
[Paper] SCE-SLAM：通过场景坐标嵌入实现尺度一致的单目 SLAM
单目视觉SLAM能够从互联网视频进行3D重建，并在资源受限的平台上实现自主导航，但却受到尺度漂移的影响，…
- · ai
[Paper] 自监督动物识别用于长视频
在长时段视频中识别单个动物对于行为生态学、野生动物监测和畜牧管理至关重要。传统方法 r...
- · ai
[论文] LiteEmbed：适配 CLIP 到稀有类别
大规模视觉语言模型（如 CLIP）能够实现强大的零样本识别，但在预训练期间很少见到的类别上表现不佳，包括……
- · ai
[Paper] Image2Garment：从单张图像生成可用于仿真的服装
从单张图像估计物理上准确、simulation-ready 的服装具有挑战性，因为缺乏 image-to-physics 数据集，并且该问题是病态的 n...
- · ai
[论文] 揭示文本到图像排行榜背后的模型
文本到图像（T2I）模型日益流行，产生了大量在线的 AI 生成图像。为了比较模型质量，基于投票的排行榜……