「图像到视频」共找到 3220 篇相关文章
Pinterest 在迁移到 Kubernetes 的过程中发现了罕见的搜索失败
Pinterest 工程师披露将搜索基础设施迁移到 Kubernetes 时遇‘百万分之一’故障调试过程。故障由容器化组件与遗留设施过渡时细微不一致触发，该事件凸显云原生迁移挑战及调试价值。
Sora2还在5秒打转，字节AI生视频已经4分钟“起飞”
字节和UCLA联合提出Self - Forcing++方法，无需更换模型架构或重收集数据集，就能生成分钟级长视频，最长达4分15秒，高质量且开源，在长、短时长生成上性能领先。
拒绝视频生成，深度跃迁提出具身基座模型全新路线
深度跃迁发布世界动作模型 DELE - w0.5，放弃基于视频生成模型的路线，训练时联合学习动作与未来世界表征，推理时移除该表征分支。在真机实验中表现超基线，具跨背景泛化能力，为世界模型提供新思路。
ComposeMe：让发型、服饰与身份随心组合的人体图像生成新范式
人像生成中保持效果清晰真实且自由调整细节是难题，Snap推出ComposeMe，引入‘属性特定图像提示’思路，能灵活组合属性。还建立数据集、提出训练方法，虽有局限，但表现较优。
重磅！鸿蒙平台首个全跨端APP ——腾讯视频ovCompose框架发布
腾讯视频团队推出跨平台开发框架ovCompose，弥补Compose Multiplatform不足。还推出KuiklyBase，涵盖多项鸿蒙适配等建设。该框架有高性能、支持混排等优势，已开源，未来将持续优化。
LiveWorld：视频世界模型新范式，让镜头之外的世界继续演化
现有视频世界模型存在“静态世界假设”，物体离开视野后状态不再更新。阿德莱德大学等研究者提出 LiveWorld，将世界演化与观察渲染解耦，使事件在视野外持续推进，并通过实验验证其有效性。
OmniHuman-1.5：让数字人拥有“思考”的视频生成新范式
现有视频数字人模型难捕捉角色本质，字节提出 OmniHuman - 1.5 框架。其核心创新是用 MLLM 提供语义引导、提出多模态 DiT 架构和伪末帧设计，使模型融合多模态信号，生成高质量角色动画。
腾讯重磅开源：端到端文档转换VLM，中英文错误率双料最佳！
腾讯开源端到端文档转换视觉模型POINTS - Reader，可将文档图片转结构化文本。它基于POINTS1.5架构，支持中英文。在OmniDocBench基准上，中英文错误率暂列最佳，具零后处理简单等亮点。
ICLR 2026 | 从「聚合」到「引导」：FedDRM开启客户端智能路由新范式
传统联邦学习中，统计异质性是障碍，本文提出 FedDRM，将联邦学习从「聚合范式」拓展到「路由范式」，让服务器能把问题交给最合适的客户端处理，在多数据集上提升系统准确率，为多场景提供新可能。
凯捷研究院最新报告：到2028年，Agentic AI市场规模4500亿美元
凯捷研究院报告显示，到2028年Agentic AI有望撬动4500亿美元经济价值，但目前仅2%企业规模化应用。其能自主执行任务，带来商业价值，不过面临信任危机，各行业巨头已开始探索落地场景。