「图像理解与生成」共找到 2974 篇相关文章
NUS、牛津等联合发布音视频智能综述：系统梳理大模型时代的AVI全景图
NUS领衔近10家机构发布音视频智能综述，系统梳理大模型时代AVI发展全貌，涵盖感知、生成与交互，复盘子方向工作，构建任务蓝图，整理评测体系，总结基础技术，还探讨应用、安全及未来研究方向。
DeepSeek之后，中国AI「自己出题」杀进Nature通讯！全球仅4家
一家成立不到两年的香港AI公司维纳智能，不堆参数、不依赖人工标注，靠让大模型自动生成高精度推理数据登上Nature通讯。其技术可解决Agent泛滥的困局，还推出特色产品，业务增长快。
CVPR 2026 | 谷歌DeepMind重磅开源多模态TIPSv2：实现Patch-Text对齐的最优表现
谷歌DeepMind推出多模态TIPSv2，解决图像块与文本嵌入对齐难题。它有三大核心技术创新，在9项任务和20个数据集表现出色，特征图优势显著，且配套生态完善，为AGI预训练指明方向。
Cursor押注云端Agent！CEO 放话：审核AI代码是开发者最核心竞争力
Cursor CEO 称 AI 编程进入第三时代，智能体可少人工介入完成复杂任务，开发者角色转变。Cursor 团队超三分之一 PR 由云端智能体生成，不过这引发了开发者对代码审查、工作流、安全等问题的讨论。
登顶多模态推理榜MMMU！UCSD新方法超越GPT-5、Gemini
加州大学圣地亚哥分校团队开发的DreamPRM-1.5在MMMU测评榜夺冠，超越GPT-5、Gemini 2.5 Pro Deep-Think。它细化加权粒度到样本，有Instance Table和Instance Net架构，采用双层优化与生成式奖励模型。
妙笔生维：线稿驱动的三维场景视频自由编辑
研究人员提出基于线稿的三维场景视频编辑方法Sketch3DVE，相关论文发表于SIGGRAPH 2025。它能让用户基于线稿重塑三维场景视频，解决了现有方法个性化不足、真实感差等问题，支持单目图像三维视频合成和二次编辑。
4万多名作者挤破头，CVPR 2025官方揭秘三大爆款主题， 你卷对方向了吗？
CVPR 2025 官方根据 4 万多名作者 13008 份投稿，总结出计算机视觉热门的三大方向，即基于多视角与传感器的 3D 技术、图像与视频合成、多模态学习（视觉、语言和推理），并介绍了各方向热门原因。
AI PPT，这次是真不用返工了
过去AI做PPT虽快但有“幻觉数据”和“拼凑式模板”问题，被认为是高估需求。如今讯飞智文Vision Agent出现，能生成专业PPT，还解决了美观、内容等问题，将AI PPT带入2.0阶段。
半个月暴涨23k+ Star，一行命令让任意软件 Agent-Native！
介绍开源项目`CLI-Anything`，它用CLI作AI Agent与软件桥梁，有全新思路。半个月Github涨23k+ Star，能一键生成CLI，对接真实后端，但也有依赖代码质量、不适闭源软件等局限。
谷歌Gemini闹乌龙：我家狗子，竟被AI开除了「狗籍」！
2025年10月谷歌让Gemini for Home接管智能家居生态。它能识别人脸、快递等，还会生成家庭日报。不过，它也闹了把狗认成猫的乌龙。谷歌正改进识别准确度，这也是智能家居竞争中的小插曲。