· ai
[Paper] PSA：金字塔稀疏注意力用于高效视频理解与生成
注意力机制是基础模型的核心，但其二次复杂度仍然是扩展的关键瓶颈。这一挑战推动了……
-
- · ai
[Paper] 关于草图表示学习的时序性
草图是人类手绘的对复杂场景和现实世界物体的简化抽象。虽然草图表示学习领域已经取得了显著的进展……
- · ai
[Paper] MagicQuillV2：精确且交互式的图像编辑与分层视觉提示
我们提出 MagicQuill V2，这是一种新颖的系统，引入了分层组合范式用于生成式图像编辑，弥合了语义……
- · ai
[Paper] CAMEO：多视角扩散模型的对应注意力对齐
多视角扩散模型最近作为一种强大的新视角合成范式出现，然而支撑其视图一致性的底层机制仍未被完全阐明……
- · ai
[Paper] OneThinker：全能图像和视频推理模型
强化学习（RL）最近在多模态大型语言模型（MLLMs）中引发视觉推理方面取得了显著成功。然而，现有的...
- · ai
[Paper] PPTArena：用于代理式 PowerPoint 编辑的基准
我们推出 PPTArena，这是一项用于 PowerPoint 编辑的基准，衡量在自然语言指令下对真实幻灯片进行可靠修改的能力。相比之下…
- · ai
[Paper] MultiShotMaster：可控的多镜头视频生成框架
当前的视频生成技术在单镜头剪辑（single-shot clips）方面表现出色，但在生成需要灵活镜头安排、连贯性的叙事多镜头视频（multi-shot videos）方面仍然困难，……
- · ai
[Paper] Video4Spatial：迈向具备上下文引导的视频生成的视觉空间智能
我们调查视频生成模型是否能够展现视觉空间智能，这是一种对人类认知至关重要的能力，仅使用视觉数据。为此……
- · ai
[Paper] ViSAudio：端到端视频驱动的双耳空间音频生成
尽管视频到音频生成取得了进展，该领域主要关注单声道输出，缺乏空间沉浸感。现有的binaural方法仍然……
- · ai
[论文] MAViD：用于音频-视觉对话理解与生成的多模态框架
我们提出 MAViD，一个用于 Audio-Visual Dialogue 理解和生成的全新 Multimodal 框架。现有方法主要关注非交互式的……
- · ai
[Paper] SMP：可复用的 Score-Matching Motion Priors 用于基于物理的角色控制
Data-driven motion priors 能够引导 agents 产生自然行为，在创建逼真的虚拟角色方面发挥关键作用。Adversaria...
- · ai
[Paper] Unrolled Networks 是 MRI 重建中的条件概率流
磁共振成像（MRI）提供了出色的软组织对比度且无需电离辐射，但其长时间的采集限制了临床实用性。最近……