蚂蚁集团推出一种名为POA（Pre-training Once for All）的新型自监督预训练框架。POA的核心思想是通过一次预训练过程，生成多种大小的模型，以适应不同的计算和存储需求。这类似于我们在一个大型购物中心购物，而不是去多个小商店，POA让我们通过一次“购物”（预训练）得到所有尺寸的“衣服”（模型），以适... 阅读全文

牛津大学的研究人员推出先进医学图像分割模型Medical SAM 2（简称MedSAM-2），MedSAM-2基于SAM 2框架构建，能够处理二维（2D）和三维（3D）医学图像分割任务。这个模型的核心思想是将医学图像当作视频来处理，从而不仅适用于3D图像，还开启了一种新的“一次提示分割”（One-prompt Segm... 阅读全文

苏黎世联邦理工学院、马克斯普朗克信息学研究所和谷歌的研究人员推出一种提升2D图像特征表示的方法，特别强调了通过3D意识的微调（3D-aware fine-tuning）来增强这些特征。这种方法的核心思想是，通过在3D空间中对2D图像特征进行处理，可以让模型更好地理解和表达物体和场景的结构，从而提高在各种下游任务中的表现... 阅读全文

DGIST 和Meta的研究人员推出ExAvatar，它可以从一段简单的单眼视频创建出一个全身3D高表达性人类化身（3D avatar）。ExAvatar不仅能够模拟人体的运动，还能模拟面部表情和手部动作，这些都是人们表达情感和与世界互动的重要方式。例如，你录制了一段自己跳舞的视频，使用ExAvatar技术，可以从这段... 阅读全文

新型视听语义分割任务，称为开放词汇的视听语义分割（Open-Vocabulary Audio-Visual Semantic Segmentation，简称OV-AVSS）。这项技术的目标是在视频中识别和分类发出声音的物体，即使这些物体的类别在训练数据中从未出现过。例如，你在观看一个包含多种乐器演奏的音乐会视频，即使训... 阅读全文

谷歌推出内容审核系统ShieldGemma，它是基于大语言模型（LLMs）构建的，专门用于检测和过滤不安全内容。这个系统就像是网络世界的保安，能够辨别出不当的言语或行为，保护用户免受有害信息的影响。例如，有一个在线论坛，用户可能会发布包含仇恨言论或不当内容的帖子。使用ShieldGemma，系统可以自动检测这些帖子，并... 阅读全文

字节跳动研究院跨语言代理团队推出高质量、类人同声传译系统CLASI， CLASI的主要功能是同声传译，即在演讲者讲话的同时，系统能够即时地提供翻译，让听众能够理解演讲内容。例如，你正在观看一个英文的科技产品发布会，但你的母语是中文。演讲者介绍了一款新的智能手机，使用了大量专业术语，如"Ising model"（伊辛模型... 阅读全文

瑞士苏黎世联邦理工学院和迪士尼研究工作室的研究人员推出Reenact Anything，它能够实现一种语义视频运动转移的功能。简单来说，这项技术可以让一张静态图片中的对象动起来，模仿另一个视频中的运动。这不是简单的模仿动作，而是在保持原有图片外观和布局的同时，让图片中的对象按照视频里的动作进行“表演”。 例如，你有一张... 阅读全文

清华大学计算机科学与技术系的研究人员发布论文，论文的主题是探讨如何通过对比性微调（contrastive fine-tuning）来提升小型语言模型的文本嵌入（text embeddings）质量。文本嵌入是一种将文本转换为向量表示的技术，这些向量能够捕捉文本的语义信息，使得机器能够更好地理解自然语言。 GitHub：... 阅读全文

Rotato 是一家专注于模型图像及定制化 3D 模型制作的公司，由前 Google 员工创办。其特色在于能在几分钟内快速创建 3D 模型动画。此外，Rotato 还提供了一系列免费工具，包括视频透明度测试器、视频转换器以及一款高效的视频压缩器。 Rotato 视频压缩器特点 在线压缩：无需下载或安装任何软件。 高效压... 阅读全文

EcoPaste 是一个开源的跨平台剪切板管理工具，旨在帮助用户管理和记录剪切板历史，以便于快速访问和粘贴之前复制过的内容。该项目由独立开发者 ayangweb 在 GitHub 上维护，并且提供了 Windows 和 macOS 两个平台的版本。 功能特点 EcoPaste 的主要功能包括但不限于以下几点： 多平台适... 阅读全文

OrangeHD 是一个提供免费、无版税视频素材的国外网站，收录了各种主题的视频，如飞机、动植物、船舶、圣诞节、城市、工程、军事、运动、自然、恐怖、慢动作、雪景、科技、延时摄影、玩具、旅游等。网站目前拥有近500个视频素材，用户无需注册即可快速预览和下载所需的视频。 特点： 丰富的主题分类：网站提供了分类、标签和搜索功... 阅读全文