近期，Motion Anything项目通过引入基于注意力的掩码建模（Attention-based Mask Modeling）技术，显著提升了条件运动生成的能力。这项技术不仅在空间控制上实现了更精细的调节，还在时间维度上提供了更高的灵活性，...

近日，GitHub开源项目LM-Implicit-Reasoning引发了广泛关注。该研究深入探讨了语言模型在逐步隐式推理方面的表现，揭示了其在处理包含变量作为减数的表达式时的泛化能力不足的问题。语言模型在自然语言处理（NLP）领...

VideoPainter最近推出了一种创新性的双流架构，专门用于视频修复任务。该架构显著降低了学习复杂性，同时改善了背景保留和对象生成的效果。视频修复是计算机视觉领域的一个重要研究方向，旨在自动填补视频中的缺失或...

DeepMind近日发布了名为TIPS的新型图像-文本模型，专为密集型和全局视觉任务设计。该模型通过结合对比学习与掩码图像建模技术，并利用合成字幕进行训练，显著提升了空间感知能力。在多项基准测试中，TIPS的表现均超...

在计算机视觉和人工智能领域，3D重建技术一直是一个重要的研究方向。最近，GitHub上出现了一个名为“Perception Efficient Reconstruction”（PE3R）的项目，该项目将文本查询功能与从图像中进行3D重建的技术相结合，...

YoloE 是一种创新的小型视觉模型，能够通过多种方式进行提示，以实现开放词汇检测。这意味着用户可以使用类别、图像和文本来决定模型应该检测的内容。特别值得一提的是，YoloE 的运行速度高达 300 帧每秒（fps），使...

近日，一项名为MovieAgent的创新技术引起了广泛关注。该系统通过结合多种生成模态，利用基于角色的提示（persona-based prompting）来确保生成内容的一致性和准确性。MovieAgent进一步使用Stable Diffusion视频模型...

近日，GitHub上发布了一项名为Perception Efficient Reconstruction的创新技术，该方法将文本查询能力与从图像中进行3D重建的技术相结合。该系统采用前馈模型（feed forward model），能够实现快速的三维重建。这一...