大型视觉语言模型（LVLMs）能够处理图像和文本，实现多模态理解和生成任务。然而，图像作为输入携带了丰富的信息...

Cohere 最近在其搜索模型中添加了多模态嵌入功能，允许用户将图像和文本数据部署到检索增强生成（RAG）风格...

模型预测控制（MPC）是一种利用动力学模型和规划器在规划时域内最大化目标函数来选择动作的方法。MPC 的灵活性...

GPT-4o 是一个包罗万象的多模态语言模型，能够理解视觉、听觉和文本模态，并直接输出音频，支持灵活的双工交互...

在深度学习领域，低质量或稀缺的数据一直是训练高效模型的主要障碍。传统的数据增强方法往往只能提供有限的帮助，而无...

IBM 在企业 AI 领域的布局正在加速。今天，IBM 宣布推出第三代 Granite 大语言模型（LLMs）...

图像自编码过程中的关键挑战是创建能够保留细节的高质量重建，特别是在图像数据经过压缩的情况下。传统的自编码器依赖...

将 3D 对象无缝地合成到真实场景中是一项具有挑战性的任务，尤其是当缺乏配对的合成场景图像时。传统的 3D 对...

卡内基梅隆大学 、 香港中文大学 、 北京大学和滑铁卢大学的研究人员推出一个包含来自 100 万个网站的 73...

北京大学电子与计算机工程学院、鹏程实验室、Rabbitpre Intelligence、昆仑 2050 研究中...

浙江大学和阿里巴巴的研究人员推出新型视频到音乐生成框架 MuVi，MuVi 的目标是为视频内容生成与之相匹配的...

来自华中科技大学、中国科学院深圳先进技术研究院、中国科学技术大学 等的研究人员推出评估基准 CIIBench，...