「图像一致性」共找到 583 篇相关文章
NVIDIA重磅开源！OmniVinci 仅 9B 模型就拿下多模态冠军！
英伟达推出全模态大语言模型 OmniVinci，架构有三大创新。OmniVinci - 9B 模型表现亮眼，多测试中大幅超 Qwen2.5 - Omni，且训练量仅为其六分之一。其架构经多阶段流程实现全模态理解，还支持多种功能。
NeurIPS 2025｜VFMTok: Visual Foundation Models驱动的Tokenizer时代来临
传统视觉 Tokenizer 存在缺乏高层语义信息、冗余度高、表征混乱等问题。香港大学 CVMI Lab 和阶跃星辰 AIGC 团队提出 VFMTok，用预训练视觉基础模型构造视觉 Tokenizer，实验显示其性能优异。
长视频AI数字人来了！字节×浙大推出商用级音频驱动数字人模型InfinityHuman
随着内容创作智能化需求爆发，长时长、高质量数字人视频生成是痛点。字节跳动联合浙大推出商用级模型InfinityHuman，打破传统技术局限，解决身份漂移和细节失真难题，已实现多场景商用。
阿里开源 Vivid-VR！带来逼真连贯的视频修复
阿里开源 Vivid - VR 用于视频修复，基于 T2V 模型结合 ControlNet 保证画面一致性。它引入概念蒸馏训练策略，设计控制特征投影器和双分支 ControlNet 连接器，实验展现出优异表现。
错过它＝落伍！只用一张照片+14秒，腾讯开源 HunyuanVideo-Avatar 带你玩转多角色数字人
HunyuanVideo-Avatar 是腾讯混元团队最新开放的多模态数字人生成模型。上传一张人物图片，再配上一段音频，模型即可在约 14 秒内输出分辨率最高 720p、情绪可控、动作丰富且支持多角色同屏的短视频。
The Batch: 973｜Claude 的水印如何运作
Anthropic将在2026年8月2日后发布的Claude模型全球部署肉眼不可见、机器可读的水印，用于表明文本和图像由其生成。该技术基于Google的SynthID - Text，不过此公告引发广泛争议。
聚焦物理智能最前沿，PAIR首届年度会议即将开启！
当大模型能理解语言与图像，‘物理智能’指向智能从比特到原子的跨越。2026 年 9 月 20 - 21 日，上海物理智能与机器人研究院将主办‘PAIR Conference 2026’，设主题学术和商业闭门会议。
Meta 重磅提出「神经计算机」：模型即电脑
Meta AI和KAUST提出「神经计算机」概念，目标是让神经网络承担计算、内存、输入输出。论文给出完整框架并做原型验证，虽当前原型距目标差距大，但提出问题和定义框架意义重大。
数据邪修大法好：仅用文本数据就能预训练多模态大模型
多模态大模型研发中，行业认为无图文对就无多模态能力。但ReVision研究表明，预训练阶段昂贵配对关系非必需，利用非配对数据统计信息修正文本表征，能实现跨模态互换，降低成本。
让扩散模型「可解释」不再降质，开启图片编辑新思路
过去三年扩散模型席卷图像生成领域，但可解释性研究是‘黑箱’，且现有尝试常致性能下降。香港中文大学与上海人工智能实验室团队提出TIDE框架，可解释且不降质，还带来新图像编辑方式。