搜索：高分辨率图像感知

「高分辨率图像感知」共找到 792 篇相关文章

蚂蚁具身研究首次亮相！就解决了机器人「看」透明玻璃这些难题，还开源了

蚂蚁灵波科技开源高精度空间感知模型 LingBot-Depth，针对性解决机器人识别真实世界的「玻璃问题」。其构建双线并行数据集，提出掩码深度建模思路，在深度补全等任务中表现出色，且已具备落地能力。

国内月之暗面平台对开源多模态模型Kimi-VL-A3B-Thinking升级到2506版本。该版本性能、视觉理解等能力提升，支持更高分辨率，在多领域表现出色，还介绍了模型组成与优化器改进。

Midjourney首个AI视频模型V1上线，每月10美金可体验20秒。其视觉效果惊艳，能媲美Sora等，还能一键让图像动起来。成本低，提供多种模式与设置，有技术愿景，未来将完善模块。

谢赛宁团队用RAE新架构将ImageNet图像生成FID刷到1.13，宣告VAE组件过时。RAE结合先进表征学习成果与强大生成模型框架，解决诸多问题，还为其高维潜空间定制DiTDH架构，性能优异。

面壁提出基于扩散自回归建模的端到端语音生成模型 VoxCPM，构建于 MiniCPM - 4 之上。它克服传统离散 token 方法缺陷，实现语义与声学特征解耦，有上下文感知语音生成和零样本语音克隆能力，低延迟。

火山引擎推出图像创作模型Doubao - Seedream - 4.5，有强化原图保持、多图组合生成、优化海报排版与Logo设计等主打点。经实测效果不错，已全量开放API并公测，官方还给出生图tips。

DDColor是阿里达摩院团队提出的新一代图像自动着色模型，基于双重设计，能实现高保真、真实感强的黑白图转彩色图。它兼容多种类型图片，有诸多核心功能，相比传统模型优势明显，应用场景广泛。

ViT核心作者Lucas Beyer连发三条帖子怒赞通义千问发布的开源模型Qwen—Image—Layered，认为这是图像生成的正确打开方式。该模型可实现PS级拆图自由，支持精细化修改图片元素，核心技术是端到端的扩散模型。

Google Deepmind称在CV领域做出类似GPT-3的成果，Veo 3经大规模训练涌现通用视觉理解和推理能力，能以图片+提示词完成复杂视觉任务，还具备感知、建模等四大超能力。

论文提出 SwS 框架，针对强化学习场景，利用模型自我感知弱点驱动自动化问题生成，合成针对性训练数据。还对其进行多项扩展，在多个基准测试集和模型上验证有效，性能提升显著。