「图像理解与生成」共找到 2967 篇相关文章
蚂蚁多模态统一框架Ming-Omni：能看懂世界、会说话、还能画画
文章介绍蚂蚁多模态统一框架Ming - Omni，它可统一处理图像、文本等多模态数据。该框架解决了多模态训练中模态表示差异、收敛速度不一致等问题，采用分阶段预训练，能用于图像、音频生成及多模态交互。
小米AI语音新框架：人人都能当声音导演
小米大模型应用团队提出Midasheng - audio - generate与Xiaomi Any2Speech两大音频生成框架。前者可实现全场景声音重建，后者让AI学会理解声学空间与叙事逻辑，改变了语音合成应用场景与思路。
Nano Banana Pro上线！集成Gemini 3与Veo 3，谷歌不给竞争对手喘息机会
谷歌推出最强文生图模型Nano Banana Pro，又名Gemini 3 Pro Image，整合Gemini 3 Pro多模态理解能力与谷歌搜索知识库。它提升文字渲染等能力，支持多种分辨率和格式，还集成视频生成模型，覆盖多类用户。
对话阶跃星辰段楠：“我们可能正触及 Diffusion 能力上限”
阶跃星辰段楠指出当前视频生成技术或触天花板，真正有深度理解能力的模型尚待突破。他预测未来1 - 2年视觉领域基础模型有望出现，还分享视频生成及多模态AI未来核心洞察。
视频版Nano Banana来了！内置Gemini世界知识；原版香蕉出图仅需4秒
谷歌开放Gemini Omni Flash API，将多模态推理与视频生成编辑结合，有4项关键能力，也有局限。Nano Banana 2 Lite出图快且便宜。二者串联使用，图像生成与视频创作可无缝衔接。
ICLR 2026｜CMU等团队让AI生成的3D场景真正「站得住」：PAT3D把文生3D从能看推进到能模拟、能交互
现在3D AIGC虽能快速生成场景，但落地有问题，很多场景物理模拟时会暴露物体悬空等问题。CMU等团队提出PAT3D，目标是让生成的3D场景物理上站得住，可用于编辑、交互和仿真，且代码已开源。
2025年哪款模型最受欢迎？Poe最新报告：DeepSeek降温、可灵成黑马
AI工具聚合平台Poe发布2025年1 - 5月人工智能模型使用趋势报告。显示模型市场份额消长明显，推理模型势头正劲，图像、视频、音频生成领域各有竞争态势，如DeepSeek降温，可灵成视频生成黑马。
Nano Banana Pro或将引爆新安全危机
基于Gemini 3的图像生成模型Nano Banana Pro昨日上线，支持2K/4K分辨率生成，排版和文字控制能力提升。它展现出复杂推理能力，能理解反光、推理指纹，但这或带来隐私危机。
谢赛宁团队用RAE实现从8%到84%的飞跃，宣告VAE时代结束
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。
NTU S-Lab 团队探索可动 3D 新方向：结构、关节、纹理一次到位
南洋理工大学 S-Lab 团队发布研究，提出统一建模框架，能从单张图像生成可动三维对象，在几何精度、外观一致性与运动合理性上显著提升，解决了现有方法的难题，为相关领域发展奠定基础。