搜索：图像自动着色模型

「图像自动着色模型」共找到 1015 篇相关文章

文档秒变演讲视频还带配音！开源Agent商业报告/学术论文接近人类水平

澳大利亚和英国多所高校团队提出多模态智能体PresentAgent，能将文档转化为配有语音讲解和同步幻灯片的视频演示。其模块化生成框架有可控性和领域适应性，评估显示它在各指标上接近人类水平。

伯克利团队提出新方法InFOM，不依赖奖励信号，能在多任务中超强迁移与推理。在36个基于状态和4个基于图像的任务测试中，InFOM表现出色，在jaco任务上改进达20倍。

今天介绍开源项目MagicTryOn，它是基于大规模视频扩散Transformer的视频虚拟试衣框架，能实现高质量视频换装。采用三项关键技术创新，支持图像、视频试衣及定制化方案，目前仍在积极开发。

商汤新开源的 8B 多模态模型 SenseNova U1，架构独特，图像评测表现好，信息图生成能力强、延迟低。它具备图文交错能力，适合自媒体、敏感行业等，有在线体验和开源代码入口。

清华开源的OpenMAIC是多智能体互动课堂平台，能将文档转化为互动学习场景，自动生成课件等内容，有五种交互式界面、AI教师指导，可在任何设备使用，对教育场景很有价值。

李飞飞团队开源核心技术Spark 2.0，可优化3D世界，让普通设备通过浏览器流畅访问交互。它有自动选细节、分批加载、优化存储三绝招，适配主流框架，有望改变与数字世界互动方式。

阿里开源的前端增强项目 PageAgent 火了，在 GitHub 获 8k+ star。它是纯前端 JavaScript GUI 智能体框架，可让网页拥有 AI Agent，通过自然语言控制界面，有自动填表单等功能，使用简单。

谷歌发布Gemini Embedding 2新型基础架构，将文字、图像等数据整合到统一维度，终结旧工作流。该系统赋予机器五维感知，建立跨媒介沟通语言，提升运行效率，在多场景有应用潜力。

谷歌推出首个原生多模态嵌入模型Gemini Embedding 2，通过Gemini API和Vertex AI公开预览。它将文本、图像等映射到统一向量空间，支持多模态交错输入，性能超越现有领先模型，开发者可快速接入。

文章介绍多尺度特征融合技术，它结合网络不同层次特征以捕获丰富上下文信息，在目标检测等任务广泛应用。阐述原理、常用方法，介绍FPN、U - Net等结构，并给出基于这些结构的实用算法案例与Python代码。