阿姆斯特丹大学、 荷兰应用科学研究组织和奥地利科学技术研究所的研究人员推出新技术NeCo（Patch Neighbor Consistency），用于改善预训练模型的空间表示能力，特别是在自监督学习环境中。NeCo通过对学生和教师模型之间的补丁级最近邻一致性进行排序，增强了模型对图像中各个部分特征的理解和表达。 论文：... 阅读全文

加州大学圣地亚哥分校、Hillbot 、 浙江大学和加州大学洛杉矶分校的研究人员推出新技术SpaRP（Sparse-view Reconstruction and Pose estimation），它能够从稀疏视角的二维图像中快速重建出三维物体，并估计它们的相对姿态。这项技术对于现实世界中的许多应用来说都非常关键，比如... 阅读全文

高效光学流估计方法NeuFlow v2，它能够在边缘设备上实现实时高精度的光学流计算。光学流是计算机视觉中的一个概念，用于描述图像中物体运动的模式，这在自动驾驶、机器人导航、增强现实等领域有着重要应用。例如，在自动驾驶中，NeuFlow v2能够实时提供周围车辆、行人和障碍物的运动信息，这对于预测它们的行动轨迹和做出避... 阅读全文

新加坡南洋理工大学、日本东京大学、RIKEN AIP和日本奈良科学技术大学的研究人员推出新型视觉模型MM-SAM（Multi-Modal Segment Anything Model），它能够处理多种传感器数据，进行鲁棒且准确的场景分割。场景分割是一种让计算机识别并区分图像中各个物体或区域的技术，这项技术在自动驾驶、机... 阅读全文

加州大学圣地亚哥分校、Hillbot 、 浙江大学和加州大学洛杉矶分校的研究人员推出新型3D重建模型MeshFormer，它能够通过少量的多视角RGB图像和它们的法线图作为输入，快速生成具有精细几何细节的高质量3D纹理网格。简单来说，MeshFormer就像一个高级的3D摄影师，能够用几张不同角度的照片，迅速复原出一个... 阅读全文

英伟达、麻省理工学院、加州大学伯克利分校和德克萨斯大学奥斯汀分校的研究人员推出LongVILA系统，它是一个为处理长视频内容而设计的多模态视觉语言模型。例如，我们有一段非常长的视频，比如一场足球比赛或者一个长时间的教学视频，我们需要一个智能系统来理解视频中的内容，甚至能够根据视频内容生成描述或者回答有关视频的问题。Lo... 阅读全文

华盛顿大学和Meta的研究人员发布论文，论文的主题是探讨如何将大语言模型（LLMs）应用于图像和视频生成领域，提出了一种新颖的方法，即通过使用标准的编解码器（如JPEG和AVC/H.264）来表示和生成图像与视频。这种方法与传统的基于像素值或向量量化的方法不同，它直接处理压缩文件字节，从而简化了视觉数据的离散化过程。例... 阅读全文

Salesforce AI 研究和华盛顿大学的研究人员推出新框架xGen-MM（也被称为BLIP-3），它是用于开发大型多模态模型（LMMs）的。多模态模型，你可以想象成一种超级大脑，不仅能理解文本（比如书籍、网页上的文字），还能理解图片和视频。xGen-MM框架包含了数据集、训练方法、模型架构，以及一系列经过这些训练... 阅读全文

Gravatar 是一项广为人知的个人头像托管服务，尤其对于那些经历过早期 WordPress 自建博客时代的人来说并不陌生。那时，人们常常在文章下方的评论区留下反馈，通过注册 Gravatar 并上传头像以及关联邮箱，就可以在支持的服务中展示个人头像。随着时间的发展，Gravatar 逐渐完善了个人页面的功能。现在，... 阅读全文

FlowPrompter 是一款简单易用的提词器工具，目前免费使用，拥有 Windows、macOS 客户端，以及 Web 界面，适合于网络会议、屏幕录制、直播、演讲等不同场合。界面仅自己可见，针对屏幕共享、录制、截图均隐藏。@Appinn... 阅读全文

LogoFast 是一款免费的在线Logo生成器，无需安装软件或注册账号，只需在浏览器中打开即可使用。该工具包含 Lucide 图标集（超过 1000 种图案），用户可以轻松选择图案并进行编辑，包括调整标志的形状、尺寸、旋转角度、边框宽度和颜色等。此外，还可以设置背景的圆角、填充空间、阴影和渐变色等参数。完成设计后，用... 阅读全文

阿里巴巴推出多模态大语言模型mPLUG-Owl3，它在处理单图像、多图像和视频任务方面取得了显著的进展。例如，你向mPLUG-Owl3展示一系列图片，并询问其中的天气情况，模型可以分析这些图片并告诉你哪一张是雪天。或者，如果你展示一段视频，并要求模型按时间顺序描述视频中的事件，mPLUG-Owl3可以准确地按照视频中的... 阅读全文