这项研究首次通过规模法则全面比较了CLIP和MaMMUT两种视觉-语言模型，发现虽然小规模计算下CLIP表现更优，但随着计算资源增加，MaMMUT展现更强的扩展能力。研究在多种下游任务和不同开放数据集上验证了结果一致性，并…详细

人工智能基础模型比较视觉语言模型

MARBLE是一项由牛津大学、MIT和Stability AI联合开发的创新技术，通过操控CLIP空间中的材质表征，实现了图像中物体材质的精确编辑。它不仅支持基于示例的材质转移，还能实现材质混合和参数化控制，如调整物体的金属感…详细

人工智能图像编辑扩散模型材质控制

加州大学研究团队开发的DOVE系统彻底革新了AI图像处理方式，不再用固定长度表示所有图像，而是根据图像复杂度智能调整表示长度。就像人类描述简单白墙只需几句话，而描述繁忙街景需要更多细节一样，DOVE为简单图像分…详细

计算机视觉动态表示学习视觉语言模型

这项研究介绍了FlowDirector，一种无需训练的视频编辑新框架，由西湖大学AGI实验室开发。不同于传统方法，该技术避开了易导致时间不一致和结构失真的反转过程，而是直接在数据空间中进行编辑。通过常微分方程引导视频…详细

人工智能视频编辑扩散模型

SViMo是清华大学与南方科技大学等机构联合开发的创新系统，通过同步扩散模型实现手物交互视频与3D动作的协同生成。不同于传统方法分别处理视觉效果或物理动作，SViMo整合视觉先验和动态约束于统一框架中，采用三模态…详细

人机交互扩散模型手物交互生成

这项新泽西理工学院与麻省理工学院合作的研究揭示了语言模型水印技术会降低模型对齐性的隐患。研究者发现水印导致两种行为异常：模型要么变得过于顺从而忽视安全限制（防护减弱），要么变得过度谨慎而拒绝合理请求（…详细

人工智能安全水印技术模型对齐

浙江大学和吉利汽车研究院联合团队提出的FreeTimeGS是一种创新的动态3D场景重建方法。不同于传统方法，它允许高斯基元在任意时空位置自由出现，并赋予每个基元运动功能，使其能够随时间移动到相邻区域。研究通过4D正…详细

计算机视觉3D场景重建高斯基元表示

这篇研究介绍了"对角线批处理"技术，该技术解决了循环记忆Transformer模型在处理长文本时的并行计算瓶颈。通过重新编排计算顺序，研究团队实现了在不破坏依赖关系的情况下进行并行计算，使LLaMA-1B模型处理长文本的速…详细

人工智能深度学习长上下文处理

BEVCALIB是一种利用鸟瞰图表示实现激光雷达与相机校准的创新方法，由南加州大学和加州大学河滨分校的研究团队开发。该方法将不同传感器数据转换到共享的BEV空间，并通过几何引导的特征选择实现高精度校准。在KITTI和…详细

自动驾驶传感器校准鸟瞰图表示

博尔扎诺自由大学研究团队开发的PATS技术通过保留完整运动片段代替随机抽取视频帧，显著提升了AI评估体育技能的能力。该方法在EgoExo4D基准测试中表现出色，攀岩评估准确率提高26.22%，音乐提高2.39%，篮球提高1.13%…详细

人工智能视频分析体育技能评估

谷歌CEO皮查伊在AI竞赛低谷期坚持"信号降噪"原则，顶住压力加倍投入，最终带领谷歌凭借Gemini系列重夺领先。他坚信AI将超越火与电的革命性影响，通过递归自我改进极大降低创意实现门槛，这场"创造力民主化"浪潮或将解…详细

李飞飞的World Labs以"空间智能"重新定义AI，专注3D物理世界理解，4个月估值飙至10亿美元，获科技巨头集体押注。她揭示语言无法编码物理世界，而DNA双螺旋等突破性发现都源于三维空间的深度认知。…详细

上海交大研究团队开发的VideoREPA是一种突破性的视频生成框架，通过令牌关系蒸馏技术将视频理解模型中的物理知识转移到文本到视频（T2V）扩散模型中。与传统方法不同，VideoREPA关注空间和时间关系的对齐，使生成的视…详细

人工智能视频生成物理模拟

浙江大学和莫纳什大学研究团队开发了PM-Loss，一种用于改进前馈式3D高斯分布渲染的新型正则化损失函数。研究针对深度图在物体边界处的不连续性问题，通过预训练Transformer模型预测的点图提供几何先验知识，实现了更…详细

3D重建深度学习计算机视觉