「图像理解」共找到 1169 篇相关文章
机器人「看片」自学新技能：NovaFlow从生成视频中提取动作流，实现零样本操控
布朗大学和机器人与人工智能研究所团队提出 NovaFlow 框架，利用视频生成模型常识知识，让机器人“看片”自学。它将任务理解与控制解耦，通过生成视频提取动作流，实现零样本操控，为通用机器人提供新路径。
CVPR 2026 | 谷歌DeepMind重磅开源多模态TIPSv2：实现Patch-Text对齐的最优表现
谷歌DeepMind推出多模态TIPSv2，解决图像块与文本嵌入对齐难题。它有三大核心技术创新，在9项任务和20个数据集表现出色，特征图优势显著，且配套生态完善，为AGI预训练指明方向。
“Claude Code 这条路线错了”！元老级 AI 大师 Jeremy Howard 开炮：马斯克和 Dario 根本不懂现代软件工程
元老级 AI 大师 Jeremy Howard 批评当下技术话题，称马斯克和 Dario 不懂现代软件工程。他认为大模型虽能生成代码，但难胜任软件工程，Claude Code 未突破现有技术，还会削弱开发者对系统的理解。
加速近5倍！北大与字节团队提出BranchGRPO，用「树形分叉 + 剪枝」重塑扩散模型对齐
北京大学与字节团队提出 BranchGRPO 新型树形强化学习方法，通过在扩散反演中引入分叉与剪枝，解决扩散/流匹配模型人类偏好对齐难题。该方法在图像与视频生成任务中表现优异，迭代时间最高近 5 倍加速。
妙笔生维：线稿驱动的三维场景视频自由编辑
研究人员提出基于线稿的三维场景视频编辑方法Sketch3DVE，相关论文发表于SIGGRAPH 2025。它能让用户基于线稿重塑三维场景视频，解决了现有方法个性化不足、真实感差等问题，支持单目图像三维视频合成和二次编辑。
4万多名作者挤破头，CVPR 2025官方揭秘三大爆款主题， 你卷对方向了吗？
CVPR 2025 官方根据 4 万多名作者 13008 份投稿，总结出计算机视觉热门的三大方向，即基于多视角与传感器的 3D 技术、图像与视频合成、多模态学习（视觉、语言和推理），并介绍了各方向热门原因。
AI热点选品：当推荐系统遇上“热点”，我们需要一场变革
文章指出当下推荐系统追踪热点滞后，存在时效、解码、迭代困境。为此启动热点AI选品项目，构建自动化热点响应系统，经多环节处理输出优质候选集，还介绍成果、后续优化方向及AIGC图像生成方案。
比OpenClaw还狠！奥特曼押注「心灵感应」，Codex直接读取你的屏幕
4月21日，OpenAI上线Chronicle研究预览版，它能读取屏幕内容形成记忆图谱，帮Codex理解上下文。虽解决AI失忆短板，但吃Token且有隐私风险，这是其在用户记忆战争的首枪。
超越纯视觉模型！不改VLM标准架构，实现像素级深度预测
Meta开源DepthLM，首证视觉语言模型不改架构，也能媲美纯视觉模型的3D理解能力。它通过视觉提示等策略，解锁VLM多任务处理潜力，为自动驾驶等领域带来前景。
国产开源LLM迎来大爆发的一周：Kimi、腾讯、快手、美团、面壁智能
国产开源大模型迎来爆发，快手、月之暗面、美团、面壁智能、腾讯等接连发布新模型，如快手Keye-VL - 1.5 - 8B刷新视频理解SOTA，美团LongCat - Flash - Chat推理快成本低等。