Baichuan Omni 1.5 是一款支持文本、图像、视频和音频输入以及文本和音频输出的开源全模态基础模型。该模型采用任意到任意（any-to-any）的设计风格，属于原生多模态模型的一种典型代表。其核心技术在于使用了交错的...

随着深度学习技术的迅猛发展，其在医学影像处理领域的应用也日益广泛。最近，一个名为“Awesome MRI Reconstruction”的开源项目在GitHub上引起了广泛关注。该项目精心收集了大量关于深度学习在磁共振成像（MRI）重建...

DynamicVis 是一种用于遥感动态视觉感知的基础模型，能够高效解析超大型图像，同时显著降低内存和计算需求。该模型通过先进的算法优化，使得处理大规模遥感数据变得更为经济和高效，因此在遥感技术领域具有重要的应...

近日，GitHub上发布了一个名为“Tokenize an Image as a Set”的开源项目，该项目提出了一种全新的图像生成框架。该框架通过集合标记化（set-based tokenization）和新型离散扩散方法（discrete diffusion method），...

近日，GitHub上发布了一个名为LHM（Large Animatable Human Reconstruction Model）的开源项目，该项目展示了如何通过单张图像快速生成一个完全可动画的3D人体模型。这一技术突破不仅展示了计算机视觉领域的重大进展...

Hugging Face的Open-R1项目旨在提供一个更为稳健和功能完备的解决方案，同时保持其最小化和可扩展性。该项目通过增加监督微调（SFT）步骤和数据蒸馏技术，进一步提升了模型的性能和适应性。这些改进使得Open-R1在处...

Stability AI近日发布了一款强大的多视角虚拟相机系统，该系统能够实现新颖视图合成（Novel View Synthesis），为用户提供了一种高效且非商业化的解决方案。虽然该技术尚未达到行业最先进水平，但其优势在于仅需两次...

MMS-LLaMA是一款高效的多模态语音大语言模型框架，专注于自动视觉语音识别（AVSR），在优化标记长度的同时保留了语言内容。该框架通过整合视觉和语音数据，提供了一种全新的方法来提升语音识别的准确性和效率。MMS-L...