「视觉故事讲述」共找到 843 篇相关文章
混元3D开源端到端全景深度估计器，代码+精选全景数据已上线，在线可玩
全景深度估计在3D视觉领域日益受关注，但因全景数据稀缺、球面畸变问题，以往方法零样本泛化和效率不佳。腾讯混元3D团队提出DA²，通过数据扩充引擎和SphereViT架构，提升性能，展现SOTA表现。
理解帮助生成？RecA自监督训练让统一多模态模型直升SOTA
统一多模态模型在视觉理解和生成能力上不平衡，常理解强但生成弱。本文提出重建对齐（RecA）自监督后训练方法，不改动架构，用未标注图像训练，在多模型实验中提升性能，部分达SOTA。
OpenAI真正王牌，不是Ilya！刚刚，奥特曼罕见致谢这两人
大众视野里OpenAI故事只剩几个响亮名字，但Jakub Pachocki和Szymon Sidor这对从波兰高中走出的搭档，用默契把不可能变现实。从Dota AI到GPT - 4，他们身影贯穿OpenAI核心节点，奥特曼罕见致谢他们。
播客手记 01 | 极睿武彬：创业就是，我愿意过刀尖舔血的生活
本文讲述极睿科技武彬的创业历程。早期获融资后业务方向错误致公司濒临绝境，后转型对接传统商家获黄峥融资。疫情时他转型销售挽救公司，还成“网红”提升获客效率，他认为创业要回归商业本质。
社区供稿 | 阿里国际Ovis2.5重磅发布：以小博大，刷新开源模型性能新高度
阿里国际发布多模态大模型Ovis2.5，在OpenCompass综合得分提升，保持SOTA水平。它在原生分辨率视觉感知等三方面突破，有9B和2B两版本，代码、模型等资源已开源，技术原理涉及架构、训练与数据。
小红书团队开源dots.ocr：文档解析新王者，性能比肩Gemini！
文档解析领域处理多语言复杂文档需高效能力，传统OCR工具存在不足。小红书HiLab开源多语言文档解析模型dots.ocr，基于1.7B参数视觉语言模型，性能达SOTA，单页PDF处理快，公式识别媲美大模型。
只提升2个点？我实测Claude 4.1后，发现官方在骗人
官方更新Claude 4.1，作者实测其与Claude4、DeepSeek R1在生成UI设计图、卡片、网页游戏开发等方面的能力。结果显示Claude 4.1进步大，尤其在理解提示词和视觉设计能力上，还能精细修改多文件。
仅需0.7秒单图像实时3D重建，开源扩散模型
单图像3D重建是计算机视觉难题，传统基于回归和生成式方法各有局限。Stability - AI开源SPAR3D模型，融合两种方法规避局限，仅0.7秒完成单图实时3D重建，实验显示性能显著优于其他基线方法。
95后，边改造业务边发AI顶会论文，是怎样的体验？
当下AI人才竞争激烈，企业各出奇招。今年5月京东技术沙龙零售专场，技术团队分享成果。几位95后青年专家讲述成长历程，如洛川解决CTR模型训练瓶颈，谦屹发表多篇顶会论文。京东还推出人才计划吸引人才。
OpenAI帝国的真相与幻象——496页「Empire of AI」中文版电子书分享！
资深科技记者Karen Hao新书《Empire of AI》出版，496页巨著撕开OpenAI真实面貌。书中把其比作殖民帝国，揭露生成式AI繁荣背后隐形成本，还记录其从理想到现实转变、GPT - 3背后故事及2023年董事会政变等。