搜索：图像理解与生成

「图像理解与生成」共找到 2967 篇相关文章

AI生图大洗牌！流匹配架构颠覆传统，一个模型同时接受文本和图像输入

AI生图有新突破，新模型FLUX.1 Kontext用流匹配架构，与此前技术不同，能接受文本和图像输入。其来自Black Forest Labs，有编辑和生成能力，还具备4个特性，第三方测试也给出提示词使用技巧。

在AI图像生成领域，风格和主题驱动的图像生成一直脱节。字节跳动智能创作实验室推出USO模型，构建海量数据集，设计两阶段训练法，引入风格奖励学习范式，化解此难题，且已全面开源。

越南国立大学提出Shape2Animal框架，模仿人类‘空想性错觉’，将自然物体轮廓转化为动物图像。该框架经多阶段流程，结合多种技术生成画面，但也继承了基础模型的一些局限性。

OpenAI推出GPT Image 2引发AI生图大战，国内厂商商汤反击，推出多模态理解生成模型SenseNova U1并全面开源。它通过自研架构实现理解、推理、生成统一，实测表现惊艳，能力全维度，与GPT-Image-2范式不同。

清华、西交联合开源发布CHEERS，提出面向统一多模态理解与生成的架构路线，在保持系统简洁前提下，统一理解与生成任务，继承开源预训练模型知识，在多项基准测试中表现优异，还实现4× token压缩。

Google 发布 Veo 3.1，重新定义 AI 视频生成天花板。它对叙事深度理解，新增音频生成，有四大核心能力。网友将其与 Sora 2 对比，二者各有千秋。还介绍了 Veo 3.1 使用方式及 Flow 平台成果。

随着文本领域思维链推理机制成功应用，研究者将其引入视觉理解任务。现有模型有局限，本文提出UV - CoT新框架，设计无监督数据生成与偏好优化机制，提升模型能力，摆脱对人工标注依赖。

来自清华、阿里等的团队推出S² - Guidance方法，通过随机丢弃网络模块动态构建子网络实现自我修正。它避免了其他方法繁琐调参，在文生图和文生视频任务中显著提升生成质量与连贯性，且计算高效。

随着高分辨率图像与长视频处理需求增长，大型视觉语言模型推理效率成瓶颈。V²Drop从视觉Token内在变化量出发，采用多阶段渐进式剪枝策略，实现无损加速，在图像和视频理解场景表现卓越。

去年Sora等模型革新视频生成领域，相机可控的视频生成技术是构建世界模型核心。但从单视角生成极端视角视频是难题，PICO - MR团队提出EX - 4D，能从单目视频生成新视角视频，多方面表现出色。