「图像和视频换脸」共找到 7588 篇相关文章
联合理解生成的关键拼图？腾讯发布X-Omini：强化学习让离散自回归生成方法重焕生机，轻松渲染长文本图像
图像生成领域，自回归与扩散模型技术路线之争不断。腾讯混元团队发布X-Omni模型，通过强化学习提升自回归图像生成质量，能渲染长文本图像。该模型已开源，还构建奖励系统评估生成质量。
谷歌Veo 3.1更新：更一致性、更具创造力和控制力
谷歌Veo 3.1发布更新，实现角色、背景与物体在动态场景中的高度一致性，支持基于参考图片创建视频、原生竖屏模式及1080p和4K分辨率升频，精准控制素材，提升创作体验。
阿里、南开大学发布免训练，视频大模型创新压缩方法
视频模型序列化处理影响推理速度与扩展性，传统token压缩方法在视频理解中有问题。阿里通义实验室与南开联合发布LLaVA - Scissor，用SCC方法和两步时空压缩策略，实验显示其性能优于其他方法。
SceneGen: 单图像驱动的多资产3D 场景生成
上海交通大学提出SceneGen框架，可从单张场景图像及其对应目标掩码中，同时生成带有几何结构与纹理的多个3D资产。它一次前向传播即可完成生成，在效率与稳健性上优于现有方法，虽有局限但应用潜力大。
重塑你的vlog！PickStyle打造稳定的视频风格迁移模型
Pickford提出PickStyle，这是基于扩散模型的视频到视频风格迁移框架。它结合上下文–风格适配器和CS–CFG机制，能在保持画面连贯时准确迁移风格，还能避免闪烁等问题，不过也继承了基础模型部分缺陷。
如何管理和调度Dify工作流？
文章介绍Dify这一开源大模型应用开发平台，指出其工作流存在无定时调度和监控报警、执行记录过多致性能差等痛点。给出Dify Schedule和XXL - JOB两种集成Dify工作流方案，并分析各自优缺点。
首个多人对话视频生成框架MultiTalk，角色有表情还能互动
现有音频驱动人体动画方法多聚焦单人，处理多音频流能力弱、指令跟随有局限。中山大学提出多人对话视频生成新框架MultiTalk，介绍了技术原理，演示效果显示其指令跟随能力强、伪影少。
全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%
MME - VideoOCR团队评估多模态大模型（MLLM）视频OCR能力。构建精细任务体系和高质量数据集，评测18个主流MLLM。即便如Gemini - 2.5 Pro，准确率仅73.7%，暴露出MLLM在视频OCR领域能力局限。
HeyGen开源HyperFrames框架：Remotion劲敌，用HTML写视频的时代来了
HeyGen开源HyperFrames框架，解决视频制作专业工具学习成本高、简单工具缺灵活性的矛盾。它基于HTML，与Remotion设计哲学不同，渲染快、输出体积轻，有诸多特性和应用场景，安装简单。
视频生成 vs 空间表征，世界模型该走哪条路？
随着生成模型和潜在表征技术发展，业界探讨世界模型技术路线。是像素级视频预测模拟未来场景可靠，还是潜在空间抽象表征高效？Goole DeepMind的Genie 3发布，再次引发讨论，分歧也从理论走向应用。