UniOcc是一个专为自动驾驶场景设计的统一框架，专注于交通流预测和运动轨迹预报。该框架的创新性在于支持多数据集联合训练，并能进行真实环境与合成场景的跨域评估，为自动驾驶系统的决策规划提供更可靠的预测能力。...

腾讯ARC实验室最新发布的SEED-Bench-R1基准测试，为多模态大语言模型（MLLM）在复杂视频任务中的表现提供了系统评估框架。该研究重点关注强化学习（RL）和监督微调（SFT）等后训练方法，揭示了RL在视觉感知任务和数...

Easi3R是一项突破性的3D视觉系统，专门针对高动态场景的三维重建进行了优化。该系统通过创新的运动物体掩蔽技术，将移动物体与背景分离学习，从而实现了比现有方法更精确的全场景重建。这一技术解决了动态场景重建中...

近期，视频运动分割技术迎来重要进展，研究人员通过整合Dino和SAM2模型，成功将密集像素追踪应用于长期分割任务。这项技术突破解决了传统方法在复杂场景下跟踪精度不足的问题，通过像素级运动分析显著提升了分割稳定...

近日，一项名为TIDE的创新技术在水下场景理解领域取得重要进展。该技术通过文本到图像转换和密集标注生成方法，能够创建具有一致像素级标签的高质量合成数据集。这一突破性技术解决了水下场景数据获取难、标注成本高...

研究人员通过渐进式渲染蒸馏技术（Progressive Rendering Distillation），成功开发出无需真实3D网格数据即可从文本提示生成高质量3D模型的新方法。这一名为TriplaneTurbo的创新系统仅需1.2秒即可完成生成，在速度和...

开源项目Orpheus近期引发开发者社区关注，该项目通过C++实现了一个高效易用的文本转语音(TTS)系统。与Llama.cpp类似，其最大技术亮点在于完全脱离GPU依赖，仅需简单安装即可在普通计算设备上运行，显著降低了语音合...

GitHub开源项目SAMWISE实现了计算机视觉领域的重大突破，通过扩展Segment Anything Model（SAM）的核心能力，使其具备开放词汇分割（open-vocabulary segmentation）和长视频精确语义追踪功能。该技术突破性地解决了...