视觉几何基础Transformer（Visual Geometry Grounded Transformer，简称VGGT）是一种前馈神经网络，能够直接从场景的一个、几个甚至数百个视角中推断出所有关键的3D属性，包括外部和内部相机参数、点云图、深度图以...

近日，Dereflection Any Image（DAI）项目推出了一种基于扩散模型的图像反反射新技术，该技术利用高质量数据集和渐进式训练方法，显著提升了图像反反射的效果。反反射技术一直是计算机视觉领域的重要研究方向，尤其...

OpenAI最新发布的GPT-4o在图像生成领域取得了显著进展，其核心亮点包括精确的文本渲染、强大的指令跟随能力以及多轮编辑功能。这些新特性不仅提高了生成图像的质量，还增强了其在复杂任务中的灵活性和实用性。GPT-4o...

近日，Unsloth团队宣布已成功解决了来自DeepMind的新开源权重模型——Gemma 3的一些技术难题。通过与Unsloth的工具包集成，开发者现在可以在免费的Google Colab实例上对Gemma 3进行微调训练。这一突破性进展不仅降低了...

LLaVA-MORE 是一项关于多模态大语言模型（Multimodal Large Language Models, MLLMs）的系统性研究，旨在评估不同语言模型和视觉骨干网络在 MLLMs 中的表现，并提供一个可复现的框架来比较这些架构。通过该研究，研...

Reve Image 1.0 是一款AI图像生成器，其定价策略和生成质量在市场上具有显著竞争力，甚至可能超越Midjourney和Ideogram等行业巨头。该工具以5美元提供500次生成额度，每张图像的成本仅为1美分，使得高质量图像生成变...

Roblox近日开源了其最新的AI模型Cube 3D，该模型能够通过文本提示生成3D对象，旨在提升创作效率。Cube 3D采用了先进的标记化技术，并通过授权和公开可用的数据集，以及Roblox自身的体验数据进行训练。未来，Cube 3D...

近日，GitHub上发布了一个名为“Tokenize an Image as a Set”的开源项目，该项目提出了一种全新的图像生成框架。该框架通过集合标记化（set-based tokenization）和新型离散扩散方法（discrete diffusion method），...