阿里巴巴和中山大学的研究人员推出新型数据集和对比学习合成方法Img-Diff，它专注于为多模态大语言模型（MLLMs）提升细粒度图像识别能力。这个方法通过分析相似图像之间的物体差异，挑战模型去识别匹配和不同的组成部分。例如，你有两张看起来非常相似的图片，但它们之间有一些细微的差别，比如一张图片中的物体被替换了。Img-... 阅读全文

腾讯XR视觉实验室和澳大利亚国立大学的研究人员推出创新系统Sketch2Scene，它能够根据用户的简单草图和文本提示，自动生成交互式的3D游戏场景。这就像是给一个会魔法的画家，只需要随手画几笔和简单描述，就能创造出一个栩栩如生的游戏世界。例如，你想要创造一个游戏场景，但你可能不是专业的3D建模师。有了Sketch2S... 阅读全文

TRANSFORMER EXPLAINER是一个交互式可视化工具，它旨在帮助非专业人士通过GPT-2模型来学习理解Transformer这一文本生成模型。Transformer是一种在机器学习领域非常流行的神经网络架构，广泛应用于从文本到视觉的多种任务中。但Transformer的内部工作原理对许多人来说还是一个黑箱，... 阅读全文

Kando 是一个跨平台的开源快速启动工具，支持 Windows、macOS、Linux，旨在提供一种非常规、快速且有趣的与计算机互动的方式。用户可以通过 Kando 来启动应用程序、模拟键盘快捷键、打开文件等多种操作。该项目支持鼠标、触控笔或触摸输入，特别适合那些频繁使用指尖与设备交互的用户。尽管如此，对于经常双手置... 阅读全文

阿里通义千问 Qwen2 家族的新成员 Qwen2-Math，以其强大的数学解题能力，为开源语言模型领域带来了新的突破。以下是对 Qwen2-Math 的简介和性能概述，以及其多语言模型开发计划的介绍。 项目主页：https://qwenlm.github.io/zh/blog/qwen2-math GitHub：ht... 阅读全文

之前已经在Steam平台限免过的俯视角动作射击游戏《Intravenous》，这次又在GOG平台开启了限免，《Intravenous》是一款于2021年7月27日发布的游戏，原价80元，目前在Steam国区拥有91%的“特别好评”评价。游戏中，玩家将扮演前战士史蒂夫·罗宾斯，为了给兄弟报仇而潜入犯罪组织进行作战。游戏特... 阅读全文

Epic Games本周要免费送《Apex 英雄》本体、《 Apex 英雄》导线管免费解锁捆绑包 ，领取时间为8月8日晚上23点到8月15日晚上23点，在此之前免费领取即可永久保留这些作品。下周的免费游戏是类银河战士恶魔城类游戏《亡灵诡计：来世（Death's Gambit: Afterlife）》和《战舰世界》一入门... 阅读全文

Luvvoice 是一款免费的在线文字转语音（TTS）工具，它利用人工智能技术，特别是深度学习，来生成高质量、接近真实人类声音的语音文件。这类工具对于媒体制作、教育、游戏开发以及为视障人士提供无障碍服务等领域非常有用。以下是 Luvvoice 的一些特点： 广泛的语音选择：支持超过 70 种语言和 200 多种不同的语... 阅读全文

中国科学院大学人工智能学院、中国科学院自动化研究所和中国铁塔股份有限公司的研究人员推出新型高效Transformer模型AVESFormer，它专为实时音视频（Audio-Visual, AV）分割任务而设计。音视频分割是一种多模态任务，目的是在像素级别上区分出视频中与声音源相对应的物体。这项技术在机器人感知、视频监控... 阅读全文

清华大学、百度公司、中关村实验室和南洋理工大学的研究人员推出新技术框架ReSyncer，它是一个用于创建统一的音频-视觉同步的面部表演者的系统。简单来说，ReSyncer能够根据给定的音频生成口型同步的视频，并且能够进一步传递目标人物的说话风格和身份特征。ReSyncer在不同方面的性能，包括与现有技术的比较、定量和定... 阅读全文

西蒙菲莎大学和香港城市大学的研究人员推出新颖方法omages，用于生成逼真的3D模型和UV贴图，这个过程通过一种称为“对象图像”（Object Images）的表示来实现。简单来说，就是将复杂的3D形状转换成64x64像素的2D图像，这样做的好处是可以利用现有的图像生成模型，比如扩散变换器（Diffusion Tran... 阅读全文

这篇论文介绍了一个名为LLaVA-OneVision的新型大型多模态模型（LMMs），它是由多个机构共同开发的，包括字节跳动、南洋理工大学、香港中文大学和香港科技大学。这个模型的核心目标是提高计算机视觉任务的性能，特别是在处理单图像、多图像和视频场景时的能力。例如，你正在使用一个智能助手，你给它发送了一张你在旅行中拍摄... 阅读全文