· ai
[Paper] Visual Sync: 多摄像头同步 via 跨视角对象运动
今天，人们可以轻松记录难忘的时刻，范围包括音乐会、体育赛事、讲座、家庭聚会和生日派对等多种消费……
-
- · ai
[Paper] 生成视频中的物体比看起来更慢：模型遭受 Sub‑Earth Gravity 且不懂 Galileo’s Principle……暂时
Video generators 正在日益被评估为潜在的 world models，这要求它们对 physical laws 进行编码和理解。我们调查它们的…
- · ai
[Paper] 生成式视频运动编辑与 3D 点轨迹
相机和物体运动是视频叙事的核心。然而，精确编辑这些捕获的运动仍然是一个重大挑战，尤其是在...
- · ai
[Paper] TUNA：驯服统一视觉表征以用于原生统一多模态模型
统一多模态模型（UMMs）旨在在单一框架内共同执行多模态理解和生成。我们提出了 TUNA，一种原生的 UMM，...
- · ai
[Paper] 改进的 Mean Flows：关于 Fastforward 生成模型的挑战
MeanFlow（MF）最近被确立为一种一步生成建模的框架。然而，它的“fastforward”特性在…
- · ai
[Paper] Four Over Six：更精确的 NVFP4 量化与自适应块缩放
随着大语言模型规模的不断扩大，低精度数值格式（如 NVFP4）因其速度和内存优势而日益受到欢迎……
- · ai
[Paper] AirSim360：在无人机视角下的全景仿真平台
360度全向理解领域因推动空间智能而受到日益关注。然而，缺乏大规模…
- · ai
[Paper] 大语言模型测试时计算规模化的艺术
测试时伸缩（Test-time scaling，TTS）——在推理过程中动态分配计算资源——是提升大型语言模型（LLMs）推理能力的一个有前景的方向。
- · ai
[Paper] MV-TAP：在多视角视频中跟踪任意点
多视角摄像系统能够对复杂的真实世界场景进行丰富的观测，在多视角设置中理解动态对象已成为核心……
- · ai
[Paper] 从音频学习视觉可供性
我们引入了 Audio-Visual Affordance Grounding (AV-AG)，这是一项从动作声音中分割对象交互区域的新任务。不同于现有方法……
- · ai
[Paper] AlignSAE：概念对齐稀疏自编码器
大型语言模型（LLMs）在隐藏的参数空间中编码事实知识，这些空间难以检查或控制。虽然稀疏自编码器（SAEs）……
- · ai
[Paper] 学习 Sim-to-Real 类人机器人行走 只需 15 分钟
大规模并行仿真已将机器人强化学习（RL）训练时间从数天缩短到数分钟。然而，要实现快速且可靠的仿真到…