JoyVASA – 京东健康开源的音频驱动的数字人头项目
JoyVASA是京东健康国际公司开源的音频驱动的数字人头项目，基于扩散模型技术，根据音频信号生成与音频同步的面部动态和头部运动。JoyVASA能实现人物的唇形同步和表情控制，还扩展到动物头像的动画生成...
排序
SmoothCache – Roblox 和女王大学推出用于DiT的通用推理加速技术
SmoothCache 是用在Diffusion Transformers （DiT）模型的通用推理加速技术，是 Roblox 和女王大学的研究团队推出。基于分析相邻扩散时间步的层输出相似性，自适应地...
FLUX Tools – 黑森林实验室推出的模型工具套组
FLUX Tools是黑森林实验室推出的一套模型工具，能增强基础文本到图像模型FLUX.1的控制性和可操作性。FLUX Tools包括FLUX.1 Fill（图像修复和扩展）、FLUX.1 Depth...
OmniEdit – 滑铁卢大学等机构开源的通用图像编辑模型
OmniEdit是先进的图像编辑技术，通过结合多个专家模型的监督来训练一个通用模型，处理多种图像编辑任务。能处理不同纵横比的图像，七种不同的图像编辑任务，包括对象替换、移除、添加等，支持任意宽高比和分...
AutoConsis – 美团联合复旦大学推出的UI内容一致性AI检测工具
AutoConsis是UI内容一致性智能检测，是美团技术团队与复旦大学联合推出的。工具基于深度学习和大型语言模型自动识别和提取界面中的关键数据，检测并识别数据间的不一致性问题。AutoConsis能提...
Add-it – 英伟达推出无需训练的图像编辑技术
Add-it是NVIDIA推出的无需训练的图像编辑技术，能根据文本指令在图像中添加对象。这项技术基于扩展扩散模型的注意力机制，整合场景图像、文本提示和生成图像的信息，实现结构一致性和自然的对象放置。
In-Context LoRA – 阿里通义推出的基于DiTs的图像生成框架
In-Context LoRA是阿里巴巴通义实验室推出的基于扩散变换器（DiTs）的图像生成框架，用模型的内在上下文学习能力，最小化调整激活模型的上下文生成能力。这种方法无需修改原始模型架构，只需对训...
The Matrix – 阿里联合港大等多所机构推出的AI基础世界模拟器
The Matrix是与电影同名的、首个AI基础世界模拟器，是全华人团队推出的（作者分别来自阿里巴巴、香港大学、滑铁卢大学和加拿大AI研究机构Vector Insititute）。The Matrix...
DINO-X – IDEA 研究院推出的通用视觉大模型
DINO-X是IDEA研究院推出的通用视觉大模型，具备开放世界对象检测与理解能力。支持文本、视觉和定制提示，能识别图像中的任何对象而无需用户提示。基于超过1亿样本的Grounding-100M数据集...
OmniBooth – 华为诺亚方舟联合港科大推出的图像生成框架
OmniBooth是华为诺亚方舟实验室和港科大研究团队共同推出的图像生成框架，支持基于文本提示或图像参考进行空间控制和实例级定制。框架用用户定义的掩码和相关联的文本或图像指导精确控制图像中对象的位置和...