EchoMimicV2 – 阿里推出的开源数字人项目，能生成完整数字人半身动画
EchoMimicV2是什么 EchoMimicV2是阿里蚂蚁集团推出的半身人体AI数字人项目，基于参考图片、音频剪辑和手部姿势序列生成高质量动画视频，确保音频内容与半身动作的一致性。EchoMimi...
排序
FlipSketch – 萨里大学推出的文本引导生成无约束草图动画的AI系统
FlipSketch是什么 FlipSketch 是萨里大学推出的创新系统，能将静态绘图转变为文本引导的草图动画。技术基于三个关键创新实现：微调草图风格的帧生成、用噪声细化保持输入草图视觉完整性的参考...
StoryTeller – 字节、上海交大、北大共同推出的全自动长视频描述生成一致系统
StoryTeller是什么 StoryTeller是字节跳动、上海交通大学和北京大学共同推出的系统，能基于音频视觉角色识别技术改善长视频描述的质量和一致性。系统结合低级视觉概念和高级剧情信息，生成详...
DELIFT – 数据高效语言模型指令微调算法
DELIFT是什么 DELIFT（Data Efficient Language model Instruction Fine-Tuning）是基于高效数据优化语言模型指令微调，一种新颖的算法，用在优...
HART – 麻省理工学院推出的自回归视觉生成模型
HART是什么 HART（Hybrid Autoregressive Transformer）是麻省理工学院研究团队推出的自回归视觉生成模型。能直接生成1024×1024像素的高分辨率图像，质量媲美扩...
WebDreamer – 基于大语言模型模拟网页交互增强网络规划能力的框架
WebDreamer是什么 WebDreamer是俄亥俄州立大学和Orby AI研究团队推出的基于模型规划的网络智能体，基于大型语言模型（LLMs），特别是GPT-4o，作为世界模型预测网站上的交互结...
Kandinsky-3 – 开源的文本到图像生成框架，适应多种图像生成任务
Kandinsky-3是什么 Kandinsky-3是基于潜在扩散模型的文本到图像（T2I）生成框架，支持高质量和逼真度在图像合成。Kandinsky-3能适应多种图像生成任务，包括文本引导的修复/扩...
CAVIA – 苹果、得克萨斯、谷歌联合推出的多视角视频生成框架
CAVIA是什么 CAVIA是苹果公司、得克萨斯大学奥斯汀分校、谷歌联合推出的多视角视频生成框架，能将单一输入图像转换成多个时空一致的视频序列。框架基于引入视角集成注意力模块，增强视频的视角一致性和时...
Flex3D – Meta GenAI和牛津大学共同推出的两阶段3D生成框架
Flex3D是什么 Flex3D是Meta的GenAI团队和牛津大学研究团队推出的创新的两阶段3D生成框架，能基于任意数量的高质量输入视图，解决从文本、单张图片或稀疏视图图像生成高质量3D内容的挑战...
EvolveDirector – 阿里联合南洋理工推出文本到图像生成模型的高效训练技术
EvolveDirector是什么 EvolveDirector是阿里巴巴和南洋理工大学联合推出的创新框架，用公开资源和高级模型的API接口训练一个高性能的文本到图像生成模型。框架基于与现有高级模型的...