搜索：可控视觉生成模型

「可控视觉生成模型」共找到 2788 篇相关文章

X-Actor 惊艳登场！长时唇动+情感同步人像动画生成

字节提出 X - Actor，一个音频驱动自回归扩散框架，能通过一张静态参考图像和一段音频生成逼真、富有情感表达的人像动画视频。其核心是两阶段解耦生成流程，实现长时间唇形同步与情感音频一致性。

文章介绍了Monet模型，它实现了训练MLLM直接在连续隐空间思考的方法，内化视觉思考能力。还阐述了多模态模型隐式推理训练的难点，提出SFT+RL训练框架，构建数据集，经测试，Monet提升了视觉推理能力。

视频扩散模型生成新视角视频时，现有方法缺显式3D结构。智象未来提出DreamWorld，用3D先验与两阶段框架，结合结构和生成能力，在多基准测试表现领先。

做PPT耗时耗力，现有AI驱动PPT生成工具多为闭源SaaS服务。GitHub上的开源项目presentation-ai是Gamma的开源平替，输入主题可自动生成PPT，功能丰富，还给出安装部署步骤和使用场景。

美团开源视频生成模型LongCat - Video，参数13.6B，支持文生/图生视频，时长可达数分钟，生成视频真实自然，文生视频能力顶尖，整体质量优，采用MIT协议。还介绍了其功能、技术原理及美团此前的AI成果。

作者因用 Gemini 为 CodePilot 生成 Logo 获关注，开发了 Logo Generator Skill。该 Skill 可三步生成 Logo 与高级展示图，还介绍了不直接用 AI 画 Logo 的原因、使用场景、开源地址与安装方式。

OpenAI正为视频生成模型Sora 2推独立社交应用，形态似TikTok，内容须AI生成，不可上传外部媒体。有独特身份验证功能，已内部测试获积极反馈，将与Meta、Google、TikTok竞争。

Google最新的Gemini 2.5 Flash - Lite原型能动态生成软件界面。它打破传统预设框架，通过‘UI宪法’等设计保证风格与适应性，响应速度快，还解决了生成界面可能带来的混乱问题，或重塑人机关系。

来自清华AIR与UC Berkeley BAIR的团队提出全球首个连续时间具身世界模型ODEWorld。它学习世界在每个时刻的变化方向与速度，能任意帧率自由生成，统一了离散模型分散的生成能力。

中科院自动化所等团队提出VHR方案，通过“视觉神经增强”机制放大模型视觉关键注意力头输出，降低幻觉现象。此前主流方法多作用于最终输出阶段，VHR深入干预内部机制，还介绍了SSL语义引导方法。