搜索：可控视觉生成模型

「可控视觉生成模型」共找到 2788 篇相关文章

ICLR 2025新成果：文档检索“降本增效”，从此“开挂”

传统文档检索系统处理视觉信息丰富的文档存在瓶颈，ColPali方法直接从文档页面图像生成多向量嵌入，简化流程、提高性能、降低延迟。ColQwen - Omni在其架构上扩展到图文+音频多模态匹配。

上海交大等团队提出LatentUM架构，摒弃像素解码中介，在共享语义潜空间跨模态思考。它用MBAQ技术转化视觉特征，设计MoME架构，还能自我反思、规划路线、模拟世界演变，表现出色。

CoT 虽提升语言模型推理能力，但在 C 端场景有局限，且被质疑并非真实推理。视觉领域提出 CoF 概念，Google DeepMind 团队引入理论，让视频模型通过帧链推理提升帧间一致性，还具强大泛化能力。

德国 Black Forest Labs 的 FLUX.1 Kontext 系列文本生成图像模型，可可控编辑图像。有 max、pro 和 dev 版本，功能含角色一致性和图像编辑，在测试中表现优，公司计划公开专有评估基准。

AI视频生成技术发展快，现有检测方法难满足需求。新综述提出‘事实保真度验证’目标，梳理四层检测框架，涵盖底层线索、时空一致性等，强调多层证据耦合与可解释性，还分析评测指标与数据集。

Black Forest Labs的开源视觉模型FLUX.2上新，是专为现实创意工作流程打造的生产力工具。与前代相比，实现从「会画」到「懂你要画什么」跃升，还能在多方面保持一致性，各变体有不同定位与场景。

文章给出将文章、故事变成漫画脚本的提示词参考，包含生成脚本和画图示例对话，从视觉风格、封面设计、布局、叙事结构、对话与文字设计等方面提出详细要求，为漫画脚本创作提供指引。

OpenAI华人研究科学家陈博远完成MIT博士论文答辩。他不到4年读完博士，辅修哲学，是GPT图像生成核心成员和Sora视频团队成员，将推进世界模型技术，强调视觉世界模型对具身智能至关重要。

北大彭宇新团队提出 NS - Diff，将物理约束与强化学习结合，解决视频生成物理失真问题。它通过多模块提升视频物理真实感，实验表明在多数据集上超现有方法，降低物理运动误差。

openJiuwen社区发布业界最早工程化落地的多模态Skill范式Skill-Omni，让Agent经验从‘读得懂’升级为‘看得见’。它能将网页和视频视觉知识沉淀为多模态Skill，还介绍了生成及读取方式和适用任务。