图像
ECCV 2024 | 让GPT-4图像理解更易出错，全新策略增强VLP模型对抗迁移性
AIxiv专栏是AI在线发布学术、技术内容的栏目。过去数年，AI在线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，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：[email protected]；[email protected]本文作者分别来自南开大学、南洋理工大学和新加坡科技局。第一作者高森森为南开大学大四学生，此工作为其在新加坡科技局实习期间完成，实习导师为本文通讯作者郭青研究员（主页：）。本文的共同第一作者
7/22/2024 11:25:00 AM
机器之心
Midjourney 的 Style Raw 模式到底怎么用？ 一篇文章帮你弄懂！
大家好，这里是和你们一起探索 AI 的花生~
与 stylize、chaos 一样，style raw 也是 Midjourney 出图中常用的的参数之一，可以帮我们实现特定的出图需求，但肯定有很多小伙伴依旧对它的具体作用不太了解，今天就通过这篇文章，详细为大家讲解一下 style raw 的适用场景和使用方法。
上期回顾：一、Style Raw 简介
之前我们提到过，Midjourney 的默认模型（ v5.2、v6 等）是自带 “美学滤镜” 的，它们在生成图像时会进行一定的风格化处理，让画面更有艺术性、更好看。
7/5/2024 7:39:14 AM
夏花生
300多篇相关研究，复旦、南洋理工最新多模态图像编辑综述论文
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，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：[email protected]；[email protected]该文章的第一作者帅欣成，目前在复旦大学FVL实验室攻读博士学位，本科毕业于上海交通大学。他的主要研究方向包括图像和视频编辑以及多模态学习。前言本文提出了解决一般性编辑任务的统一框架！近期，
6/28/2024 6:26:00 PM
机器之心
涵盖文本、定位和分割任务，智源、港中文联合提出首个多功能3D医学多模态大模型
作者 | 香港中文大学白帆编辑 | ScienceAI近日，香港中文大学和智源联合提出的 M3D 系列工作，包括 M3D-Data, M3D-LaMed 和 M3D-Bench，从数据集、模型和测评全方面推动 3D 医学图像分析的发展。（1）M3D-Data 是目前最大的 3D 医学图像数据集，包括 M3D-Cap (120K 3D 图文对), M3D-VQA (510K 问答对)，M3D-Seg（150K 3D Mask），M3D-RefSeg (3K 推理分割)共四个子数据集。（2）M3D-LaMed 是目前最
6/21/2024 6:08:00 PM
ScienceAI
CVPR 2024全部奖项公布！近万人线下参会，谷歌华人研究员获最佳论文奖
北京时间 6 月 20 日凌晨，在西雅图举办的国际计算机视觉顶会 CVPR 2024 正式公布了最佳论文等奖项。今年共有 10 篇论文获奖，其中 2 篇最佳论文，2 篇最佳学生论文，另外还有 2 篇最佳论文提名和 4 篇最佳学生论文提名。作为计算机视觉（CV）领域的顶级会议，CVPR 每年都会吸引大量研究机构和高校参会。据统计，今年共提交了 11532 份论文，2719 篇被接收，录用率为 23.6%。根据佐治亚理工学院对 CVPR 2024 录用数据的统计分析，从研究主题来看，论文数量最多的是图像和视频合成与生成
6/20/2024 2:56:00 PM
机器之心
苹果文生图应用：仅生成卡通图片、元数据标注 AI 生成
苹果 WWDC 2024 全球开发者大会后续 The Talk Show Live 访谈中，苹果公司软件工程副总裁克雷格・费德里吉（Craig Federighi）简短地提到，iOS 将为生成的图片元数据会标注“AI 生成”。科技媒体 9to5Mac 挖掘 iOS 18 Beta 1 更新代码，在 VisualGeneration 框架中提到了用于标记和识别人工智能图像的“取证”（forensics）功能。IT之家从报道中获悉，苹果 Image Playground 应用只生成卡通化的图像，而不会生成逼真的照片，这
6/15/2024 9:33:40 AM
故渊
视觉语言模型导论：这篇论文能成为你进军VLM的第一步
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的工具。这些模型之前基本都局限于文本输入，但现在也正在具备处理视觉输入的能力。如果能将视觉与语言打通，那么势必能造就多种多样的应用 —— 这实际上也正是当前 AI 技术革命的关键方向。即便现在已有不少研究将大型语言模型扩展到了视觉领域，但视觉与语言之间的连接尚未被彻底打通。举些例子，大多数模型都难以理解空间位置关系或计数 —— 这还需要复杂的工程设计并依赖额外的数据标注。许多视
6/11/2024 2:45:00 PM
机器之心
GPT-4o 再秀神操作，“复现”OpenAI 总裁讲课，网友当真了
OpenAI 总裁兼联合创始人 Greg 再次大秀 GPT-4o 操作，结果网友直接缅怀 DALL-E。直接看效果。文本拼写达到惊人的一致！手部细节、光照全都有，甚至后背上的 Logo 也完全正确。有网友表示：恍惚间还以为真的是本人在讲课。也有人感叹图像生成技术发展的飞跃：Holy Cow！从完全破碎的文本到风格一致、拼写正确的写作，只用了一次迭代。GPT-4o 让网友直接缅怀 DALL-EGPT-4o 发布以来，简直就被玩儿疯了，尤其是图像生成这块。比如有网友发现，GPT-4o 在组合任意图像上面就像是打通了任督
5/16/2024 2:56:58 PM
清源
准确率 98%，OpenAI 推出专用 AI 工具：能识别 DALL・E 3 生成的图片
感谢OpenAI 公司今天发布新闻稿，宣布推出专用的 AI 检测工具，能够识别某张图片是否由 DALL・E 3 模型生成，且准确率高达 98%。OpenAI 公司在博文中表示，之所以推出这项新工具，主要是为了帮助研究人员研究内容真实性，此外该公司还宣布加入 C2PA（内容来源和真实性联盟）的指导委员会。C2PA 是一种广泛使用的数字内容认证标准，由包括软件公司、相机制造商和在线平台在内的众多参与者开发和采用，C2PA 可用于证明内容来自特定来源。OpenAI 表示自今年早些时候，在 ChatGPT 和 OpenAI
5/8/2024 7:44:38 AM
故渊
参数量不到10亿的OctopusV3，如何媲美GPT-4V和GPT-4？
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，有效促进了学术交流与传播。如果您有优秀的工作想要分享，欢迎投稿或者联系报道。投稿邮箱：[email protected]；[email protected]。
5/1/2024 4:26:00 PM
机器之心
一键换装神器爆火，老黄换上抱抱脸 T 恤，CEO 本人：我被替代了，和他争 CEO 职位争不过
笑不活，最新虚拟试穿神器被网友们玩坏了。黄院士、马斯克、阿尔特曼、史密斯等一众大佬衣服集体被扒。前有老黄卸下皮衣套上糖果包装袋：后有阿尔特曼大秀花臂穿 GUCCI：再有老马变成了蛛蛛侠：好莱坞巨星史密斯也风格大变：但说回研究本身，确实正儿八经的研究。名为 IDM–VTON，由来自韩国科学技术院和 OMNIOUS.AI 公司的研究团队基于扩散模型打造。目前官方放出了 demo，大伙儿可以试玩，推理代码已开源。除了开头所展示的，抱抱脸研究员也玩得不亦乐乎，给老黄换上了专属战袍。其 CEO 连忙转发打趣：我被替代了，没法
4/28/2024 9:30:57 AM
清源
Adobe Photoshop 引入全新 Firefly Image 3 图像 AI 模型，Beta 版开放下载
去年以来，Adobe 一直在其各种软件产品中添加大量基于 AI 的功能，其中包括基于 Firefly AI 的图像生成功能，用于 Photoshop 等 Creative Cloud 应用。今天，Adobe 宣布推出新版 Photoshop，不仅包含一些新的 AI 图像编辑功能和改进，还包含新的 Firefly Image 3 Foundation Model，用于根据文本提示制作基于 AI 的内容。Adobe 在官方新闻稿中表示，与之前的版本相比，Firefly Image 3 将能够创建质量更高、种类更多、细节
4/23/2024 6:49:01 PM
汪淼
融合 ChatGPT+DALL・E 3，贾佳亚团队新作开源畅玩：识图推理生图一站解决
在开源社区中把 GPT-4 Dall・E 3 能⼒整合起来的模型该有多强？香港中文大学终身教授贾佳亚团队提出多模态模型 Mini-Gemini：更高清图像的精确理解、更高质量的训练数据、更强的图像解析推理能力，还能结合图像推理和生成，堪称王炸。Mini-Gemini 还提供了 2B 小杯到 34B 的超大杯，最强模型在多个指标上相比谷歌的 Gemini Pro 甚至 GPT-4V 都不遑多让。目前，Mini-Gemini 从代码、模型到数据已全部开源，登上了 PaperWithCode 热榜。Mini-Gemini
4/15/2024 4:07:17 PM
清源
AI在用 | 想让手机壁纸脱胎换骨?试试Midjourney
机器之能报道编辑：Cardinal以大模型、AIGC为代表的人工智能浪潮已经在悄然改变着我们生活及工作方式，但绝大部分人依然不知道该如何使用因此，我们推出了「AI在用」专栏，通过直观、有趣且简洁的人工智能使用案例，来具体介绍AI使用方法，并激发大家思考。 我们也欢迎读者投稿亲自实践的创新型用例。周末了，我们分享一个轻松有趣的玩法——用图像生成器 Midjourney （v 6.0）DIY 漂亮壁纸。来自X用户@eslwithtinaX 用户 @umesh_ai 用一个简单提示就创建非常美丽壁纸！案例地址：：w
4/12/2024 3:37:00 PM
机器之能
ChatGPT 网页 / 移动端整合文生图工具 DALL-E 3，加入图像局部修改功能
感谢今日凌晨，OpenAI 发文宣布：用户现在可以在 ChatGPT 中跨 Web、iOS 和 Android 使用 DALL-E 生成图像。除此之外，用户还可以通过添加、删除或调整图像中的元素来完善自己的 DALL-E 作品。用户可以通过选择工具选择图像的特定部分，并提供描述所需更改的文本提示。然后，DALL-E 将使用这些信息生成反映编辑内容的新版本图像。IT之家附官方演示视频： 前述 DALL-E 3 的编辑功能已经在本月初发布，但当时未被整合到 ChatGPT 中。OpenAI 表示通过引入该编辑器，进一步
4/4/2024 11:52:06 AM
清源
OpenAI 为 DALL-E 3 引入编辑功能：进一步精细化调整已生成图片
OpenAI 公司近日发布公告，宣布为 DALL-E 3 引入全新的编辑界面，在基于用户文本生成图片之后，可以继续根据用户描述精细化调整已生成的图片。DALL-E 编辑器提供两种主要编辑方法：基于选择区域的编辑：在 DALL-E 3 生成图片之后，用户可以选中已生成图片中的特定区域，然后再在聊天界面，输入提示词要求 DALL-E 3 进行微调。对话式编辑：在 DALL-E 3 生成图片之后，用户无需选择特定区域，在聊天窗口中直接描述自己的编辑内容，这种方法适用于编辑调整整个图像。OpenAI 表示通过引入该编辑器，
4/2/2024 9:01:47 AM
故渊
麻省理工学院携手 Adobe 演示 DMD AI 技术：每秒可生成 20 幅图像
主流文生图模型固然已经能生成非常逼真的图片，但通常渲染时间非常缓慢。麻省理工学院携手 Adobe 公司近日研发了 DMD 方法，在尽量不影响图像质量的情况下，加快图像生成速度。DMD 技术的全称是 Distribution Matching Distillation，将多步扩散模型简化为一步图像生成解决方案。团队表示：“我们的核心理念是训练两个扩散（diffusion）模型，不仅能预估目标真实分布（real distribution）的得分函数，还能估计假分布（fake distribution）的得分函数。”研究
3/27/2024 1:48:43 PM
故渊
登Nature子刊，哈佛医学院发布迄今最大计算病理学基础模型，适用30+临床需求
编辑 | X基础模型有望为医学领域带来前所未有的进步。在计算病理学 (CPath) 中，基础模型在提高诊断准确性、预后以及预测治疗反应方面发挥着关键作用。近日，美国麻省总医院（Massachusetts General Hospital）、哈佛医学院等组成研究团队设计了迄今为止最大的两个 CPath 基础模型：UNI 和 CONCH。这些基础模型适用于 30 多种临床和诊断需求，包括疾病检测、疾病诊断、器官移植评估和罕见疾病分析。新模型克服了当前模型的局限性，不仅在研究人员测试的临床任务中表现良好，而且在识别新的、
3/21/2024 3:55:00 PM
ScienceAI
资讯热榜
智谱AI全新企业级超级助手Agent CoCo正式上线
苹果发布全新Xcode 26开发者工具：内置ChatGPT先进AI功能
豆包App“一句话P图”功能全新升级 基于SeedEdit 3.0实现全面优化
DeepSeek前高管秘密创业，新AI Agent项目已获顶级VC押注
那个男人回来了！Ilya现身多伦多大学毕业典礼：AI 像是用数字方式复制出来的大脑！不管你愿不愿意，AI都将深刻影响你的一生！
ChatGPT 语音功能升级，实时翻译对话更自然流畅
支持MCP！开源智能体开发框架 Rowboat：打造你的智能助手只需几分钟
苹果向开发者开放本地AI能力，推出全新Foundation Models框架
标签云
人工智能
AI
OpenAI
AIGC
模型
ChatGPT
DeepSeek
AI绘画
数据
谷歌
机器人
大模型
Midjourney
用户
智能
开源
微软
GPT
学习
Meta
图像
技术
AI创作
Gemini
论文
马斯克
Stable Diffusion
算法
代码
英伟达
Anthropic
芯片
生成式
开发者
蛋白质
腾讯
神经网络
研究
3D
生成
训练
苹果
计算
智能体
Sora
机器学习
AI设计
AI for Science
Claude
GPU
AI视频
人形机器人
华为
搜索
场景
百度
大语言模型
xAI
预测
伟达
深度学习
Transformer
字节跳动
Agent
模态
具身智能
神器推荐
LLaMA
文本
视觉
Copilot
算力
工具
LLM
驾驶
API
大型语言模型
应用
RAG
亚马逊