· ai
[Paper] Stable Signer: 层次化手语生成模型
手语生成（Sign Language Production，SLP）是将复杂的输入文本转换为真实视频的过程。大多数以往的工作集中在 Text2Gloss、Gloss2Pose 等方面，……
-
- · ai
[Paper] RELIC：交互式视频世界模型与长时程记忆
真正的交互式世界模型需要三个关键要素：real-time long-horizon streaming、一致的spatial memory，以及精确的user control。然而，...
- · ai
[Paper] 快速且高效的 Normalizing Flows 及图像生成模型的应用
本论文在两个主要领域提出了新颖的贡献：提升生成模型的效率，特别是 normalizing flows，以及应用 gener...
- · ai
[Paper] Jina-VLM：小型多语言视觉语言模型
我们提出 Jina-VLM，这是一款拥有 2.4B 参数的视觉语言模型，在开放的 2B 规模 VLM 中实现了最先进的多语言视觉问答。The ...
- · ai
衡量关键：图像生成评估的客观指标
使用最先进模型生成高质量视觉内容正变得越来越容易。开源模型可以在笔记本电脑上运行，云服务将 tex...
- · 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，……