无监督SAM（UnSAM）是一种新型的全图像分割模型，它消除了对人工注释的需求。UnSAM通过结合自上而下和自下而上的聚类方法，识别视觉场景中的层次结构，采用一种分而治之的方法。在复杂的视觉场景中，这种方法可以更...

OpenGlass是一款创新的技术项目，其目标是将任何眼镜转变为AI技术驱动的智能眼镜。这款项目的核心理念是利用AI技术，使得传统的眼镜拥有智能眼镜的功能，包括语音识别、图像识别和现实增强等技术。这样，用户无需更...

在2024年CVPR（计算机视觉与模式识别）会议中，我们精心策划了一份计算机视觉领域的论文清单。这些论文涵盖了计算机视觉的各个方面，包括深度学习、物体检测、图像识别、语义分割等。每篇论文都代表了该领域的最新研...

近日，一种名为TroL的新型高效大型语言和视觉模型 (LLVMs) 在GitHub上发布，其模型规模分别为18亿、38亿和70亿参数。这些模型能够精确地处理和理解大量的语言和图像信息，其性能和效率都达到了非常高的水平。这些模...

子对象标记化为视觉模型理解图像开辟了新的途径。不同于将图像划分为固定的方形片段，采用子对象标记化的模型会从有意义的段落，例如物体的部分来观察图像。这种新的视觉模型理解方式，相比传统的划分方案，可能更加...

蜥蜴（Chameleon）是一个早期融合模型，它能同时操作图像和文本标记。其团队几周前发布了这篇论文。现在，他们已经发布了模型检查点以及推理代码。这一模型的发布，标志着图像和文本融合技术的新进展，同时，它的开...

Together AI团队发布了一款名为DragonFly Vision的全新视觉语言模型（VLM）。该模型因其高效的架构在处理极高分辨率图像方面表现卓越。DragonFly Vision采用了一系列先进的技术，包括深度学习和神经网络优化，从而实...

苹果的AI战略致力于通过实用的AI功能来提升其产品。核心项目之一是Project Greymatter，这是一套将集成到苹果关键应用中的AI工具。这些AI工具旨在提供更智能、更高效的用户体验，涵盖从语音助手到图像识别等多方面的...

近日，Google发布了新的轻量级模型Gemini Flash。此模型具有多模态推理和高达一百万个符号的长上下文窗口。Google利用其先进的技术，使Gemini Flash在处理大量数据时保持了高效与精确。这种新型的轻量级模型将有助于...

MoonDream最新发布COYO Captions，这是一个包含500万条全新图像描述的数据库，这些描述基于COYO数据集部分图像及其替代文本。COYO数据集是一个大型的、多元化的图像数据集，它包含了各种不同的场景和对象。通过这500...