「图像到有声视频」共找到 1340 篇相关文章
SFT+RL双管齐下：ReasonGen-R1如何破解文生图「指令不遵」难题？
上海科技大学等机构提出 ReasonGen-R1 框架，结合链式推理监督微调与强化学习，提升自回归图像生成模型推理和创作能力，已全面开源。介绍了其训练阶段、实验结果及推理链模式。
视觉领域的GPT-3时刻！DeepMind首次证明Veo3模型实现对物理世界建模和推理
谷歌DeepMind研究团队论文显示，视频模型Veo 3学会‘无师自通’，能处理多种没学过的视觉任务。研究人员将其能力分四级，还做了定量评估。研究认为机器视觉或正处范式转变边缘。
真实场景也能批量造「险」！VLM+扩散模型打造真实域自动驾驶极限测试
浙江大学与哈工大（深圳）联合推出SafeMVDrive，将VLM关键车辆选择器与两阶段轨迹生成结合，可在真实域批量制造高保真安全关键视频，用于端到端自动驾驶系统安全性测试。
锁死一致性！Vidu Q2「参考生」可算来了，新功能强到离谱，APP全面进化
生数科技Vidu Q2「参考生」功能全球正式上线，APP端全面改版。新上线「视频延长」功能，最长扩展5分钟，还在一致性、速度、成本等方面优化，在镜头语言、语义理解等表现出色，APP社交体验好。
仅保留35% Token，性能反超原模型！快手可灵等用视觉信息引导音频压缩，推理时间直降42%
Omni - LLM计算浪费严重，快手可灵等团队提出OmniSIFT框架。它利用音视频非对称依赖关系，通过时空联合剪枝压缩视频、视觉引导筛选音频Token，大幅减少Token数量，提升性能和推理效率。
Sora 2瑟瑟发抖！通义万相2.5放大招：一句话出1080P电影，音画精准同步
云栖大会上通义万相2.5系列模型亮相，包含四大模型，视频生成模型实现音画同步突破，降低电影级视频创作门槛。它创作能力全方位升级，支持多种模态输入，采用原生多模态架构。
哈工大发布动画多智能体，文本一键生成连贯动画
随着多模态模型兴起，AI生成叙事性视频成热点，但现有方法处理长视频有挑战。哈工大发布AniMaker框架，由多个智能体协作，实现文本到动画自动化转换，解决了视觉连贯和叙事一致等问题。
刚刚，OpenAI Sora 2重磅登场！首个APP上线，或将成为AI时代新TikTok
凌晨1点，OpenAI推出Sora 2，AI视频迎来「GPT - 3.5时刻」。它物理智能提升、实现音画同步，人物一致性等刷新SOTA。Sora App上线或重塑短视频交互与社区互动，还在安全治理上布下多层防线。
4K超分Agent修图师来了！一键救活所有模糊照片
传统图像放大模型应对复杂情况力不从心，4KAgent应运而生。它基于多智能体设计，有感知、复原等模块，能为图像定制4K超分方案，在多领域测试中表现出色，无需特定领域再训练。
解密谷歌 NotebookLM 技术幕后【上】：知识如何被“转译”为 AI 对话式播客
NotebookLM是Google推出的AI知识工具，能将文档、网页等内容转化成笔记、播客、视频等。文章探秘其技术，解析AI音频播客与视频生成能力，还给出构建音频播客生成器的实践流程。