标签：视觉
霉霉开口唱碧昂丝的歌，又是AI！口型不出戏，五官姿态也自然，复旦百度等出品｜GitHub揽星1k+
西风 发自 凹非寺量子位 | 公众号 QbitAI一张人像、一段音频参考，就能让霉霉在你面前唱碧昂丝的《Halo》。 一种名为Hallo的研究火了，GitHub已揽星1k+。 话...
大模型理解复杂表格，字节&中科大出手了
允中 发自 凹非寺量子位 | 公众号 QbitAI只要一个大模型，就能解决打工人遇到的表格难题！ 字节联手中科大推出了一款统一表格理解大模型，可以以用户友好的方...
全华人团队推出多模态大模型新基准，GPT-4o准确率仅为65.5%，所有模型最易犯感知错误
王家豪 投稿自 凹非寺量子位 | 公众号 QbitAIGPT-4o再次掀起多模态大模型的浪潮。 如果他们能以近似人类的熟练程度，在不同领域执行广泛的任务，这对许多领域...
复旦字节强强联手，量身定制多模态思维链，让7B模型全面超越GPT-4V
夕小瑶科技说 原创作者 | 任同学多模态大模型在不同的任务中表现出了令人印象深刻的能力，但是在处理复杂任务时，模型的性能仍然受到了单步推理范式的限制。...
视觉语言模型导论：这篇论文能成为你进军VLM的第一步
机器之心报道 编辑：Panda近些年，语言建模领域进展非凡。Llama 或 ChatGPT 等许多大型语言模型（LLM）有能力解决多种不同的任务，它们也正在成为越来越常用...
为虚拟神经科学开辟新领域，斯坦福AI新算法模拟大脑如何理解视觉世界
来源：ScienceAI 编辑：X 当我们看着时钟的秒针移动时，我们的大脑会激活一系列的神经元，这些神经元对特定的视觉角度敏感。这些细胞形成美丽的「风车」图，...
原作者带队，LSTM卷土重来之Vision-LSTM出世
机器之心报道 编辑：鸭梨、蛋酱与 DeiT 等使用 ViT 和 Vision-Mamba (Vim) 方法的模型相比，ViL 的性能更胜一筹。 AI 领域的研究者应该还记得，在 Transforme...
329篇图像、视频生成论文，今年CVPR最火的研究主题是这些
机器之心报道 编辑：Sia图像与视频合成、3D 视觉、人体行为识别、视觉与语言推理等研究方向论文最多，属于最热门的方向，体现当前学界对视觉生成、三维感知、...
多模态视觉-语言大模型的架构演进
直播预告 | 6月6日晚7点，「智猩猩AI新青年讲座」第238讲正式开讲，香港大学CVMI Lab在读博士 杨霁晗将直播讲解《V-IRL：根植于真实世界的AI Agents》，欢迎...
从 ImageNet 到 AlexNet，李飞飞万字自述人工智能诞生的关键进程
要怎么介绍李飞飞？ AI 教母、《时代》百大 AI 影响力人物、福布斯中国·全球华人精英 Top100， 美国国家工程院、国家医学院、艺术与科学院三院院士， 现代人...
LeCun新作：分层世界模型，数据驱动的人型机器人控制
新智元报道编辑：alan 【新智元导读】在复杂的物理世界中，人型机器人的全身控制一直是个难题，现有的强化学习做出的效果有时会比较抽象。近日，LeCun参与的...
物理传热启发的视觉表征模型vHeat来了，尝试突破注意力机制，兼具低复杂度、全局感受野
AIxiv专栏是机器之心发布学术、技术内容的栏目。过去数年，机器之心AIxiv专栏接收报道了2000多篇内容，覆盖全球各大高校与企业的顶级实验室，有效促进了学术...
AI读论文新神器：多栏密集文字、中英图文混排文档都能读的多模态大模型Fox｜旷视
Fox团队 投稿量子位 | 公众号 QbitAI虽然多模态大模型都能挑西瓜了，但理解复杂文档方面还是差点意思。 面对文字密集、多栏混排等文档时往往力不从心，区域级...
走近吴立德教授：CV、NLP中国最高奖项得主，讲述复旦大学人工智能几十年往事
InfoQ特约作者 ｜秦海龙写在最前吴立德教授，中国最早从事计算机视觉和自然语言处理研究的科学家之一。1937 年生，复旦大学教授，博士生导师。美国纽约科学院...
AI顶会 ICLR 最新演讲：“The ChatGLM's Road to AGI”，首个中国大模型团队！
直播预告 | 6月6日晚7点，「智猩猩AI新青年讲座」第238讲正式开讲，香港大学CVMI Lab在读博士杨霁晗将直播讲解《V-IRL：根植于真实世界的AI Agents》，欢迎扫...
粤公网安备 44011502001135号