「图片转视频」共找到 1194 篇相关文章
首次！世界模型、动作模型融合，全自回归模型WorldVLA来了
阿里巴巴达摩院提出全自回归模型 WorldVLA，首次融合世界模型与动作模型，统一文本、图片、动作理解和生成。它用独立编码器处理多模态数据，还提出策略解决误差累积问题，实验表现优异。
一键抠图有多强？19Kstar 的 Rembg 开源神器，5 大实用场景颠覆想象！
在视觉内容需求旺盛的当下，背景抠图工具至关重要。Rembg 是能在本地完成高质量图片背景抠图的开源利器，累积 19.1K ⭐。本文通过项目详解等带你深度了解它的魅力。
陶哲轩重写20年本科经典教材！Lean编程数学证明，GitHub已放出
陶哲轩迷上形式化数学证明，开设YouTube账号分享用Lean形式化证明的视频，还发布开源项目，将经典教材《Analysis I》定义、定理和习题「翻译」成Lean代码，项目可作学习资料，部分内容已完成翻译。
CVPR 2025 Highlight | 提升自回归模型样例学习能力，Few-shot图像编辑新范式开源
当前图像编辑模型在处理新概念时泛化能力不足，为解决此难题，Meta等研究者提出自回归模型InstaManip，创新性提出分组自注意力机制和关系正则化策略，在few - shot图像编辑任务上取得优异效果。
千亿多肽市场迎来Scaling时刻，清华校友创业用AI重写发现规则 | 对话利太智药贾寅君
本文对话利太智药贾寅君，他从临床医学转向AI药物发现，创业聚焦多肽。他认为多肽泛用性强，能覆盖更多靶点。其团队构建合成数据，开发模型，如MEET、PepMirror，探索将技术落地成药。
最小模型仅 25MB，老设备无 GPU 也能流畅跑！
开源项目`KittenTTS`是文本转语音模型系列，核心特点是“小身材，大能量”。最小模型约1500万参数，体积25MB以内，无需GPU，靠CPU就能实现高质量语音合成，适合多种设备和场景。
阿里又放大招！一句话，造一个能走进去的世界
阿里上线HappyOyster 1.0世界模型，一句话生成可实时探索、交互的开放世界。它与文生视频不同，能让用户参与体验。该模型有世界探索和实时导演两大功能，技术优势显著，应用场景广泛。
OpenAI差点没了？总裁亲述：奥特曼被罢免当天，我就辞职了
OpenAI联合创始人兼总裁Greg Brockman在播客复盘2023年11月奥特曼被罢免的72小时，讲述公司治理结构的崩塌与重建，还谈及OpenAI从非营利到营利的转变、未来押注方向及算力等问题。
全球首个多模态矢量动画生成框架，轻松拿捏跨平台轻量动画
复旦大学等团队推出OmniLottie框架，利用创新分词技术将视频、图文指令变成高质量矢量动画。团队还打造数据集MMLottie - 2M，构建测试基准MMLottie - Bench。实验显示，OmniLottie在多任务测试中优势明显。
大模型思维链推理速度倍增！——RoT新框架把思维链「画」进隐空间
随着大模型规模扩展，思维链（CoT）成处理复杂推理任务标准范式，但显式CoT依赖长序列生成，隐式CoT面临优化挑战。腾讯提出RoT新框架，利用视觉编码器将文本推理步骤转为视觉嵌入，实现Token压缩与推理加速，且过程可分析。