就像游戏行业每年有TGA、有各大博主自己的年度游戏，影视圈有各种博主自己的纯主观金菊花、金扫帚奖等等。

论文链接：https://arxiv.org/pdf/2512.22096 开源代码：https://github.com/stdstu12/YUME 工程...

图1 KlingAvatar 2.0生成生动、保持身份的数字人类，具备精准的摄像头控制、丰富的情感表达、高质量的动作以及精准的面部-唇部和音频同步。它实现了音频...

前段时间，旧金山大停电，Waymo 无人驾驶出租车集体趴窝，但依靠 FSD 系统驱动的特斯拉汽车丝毫不受影响。

第一作者徐源诚是 Netflix Eyeline 的研究科学家，专注于基础 AI 模型的研究与开发，涵盖多模态理解、推理、交互与生成，重点方向包括可控视频生成及...

未来，包括 TurboDiffusion 在内的视频生成加速技术势必会更加成熟，我们可以想象更长时长的 1080p 甚至 4k 分辨率的视频同样可以做到实时生成...

近日，多模态视频理解领域迎来重磅更新！由复旦大学、上海财经大学、南洋理工大学联合打造的 MeViSv2 数据集正式发布，并已被顶刊 IEEE TPAMI 录用。

视觉生成模型的安全研究长期聚焦于文本到图像（T2I）单模态场景，而图生视频（I2V）技术的兴起，正带来多模态协同与维度升级的双重核心挑战。文本 - 图像输入的跨...

本文第一作者是 UTS 博士生杨向鹏，主要研究方向是视频生成和世界模型；第二作者是谢集，浙江大学的四年级本科生，主要研究方向统一多模态大模型和视频生成。通讯作者...

研究团队收集了大量公开可获取的、带有「手柄操作叠加显示」的游戏视频。这些叠加层具有高度多样性，给数据处理带来了显著挑战：不同内容创作者使用的手柄类型差异很大（如...

本研究的共同第一作者是来自于香港科技大学（广州）EnVision Research 的张鸿飞（研究助理）和陈康豪（博士研究生），两位研究者均师从陈颖聪教授。

新加坡国立大学团队提出的EgoTwin框架，基于扩散Transformer实现了第一视角视频与人体动作的联合生成。该模型通过三模态注意力机制捕捉“文本-视频-动...

在传统的多角色视频中，一个常见的问题是 "张冠李戴"—— 明明是给 A 角色的音频，结果 B 角色的嘴也在动。这种混乱让观众瞬间出戏，破坏了整个视频的沉浸感。K...

2025 年，虚拟试衣已成为电商行业不可或缺的核心环节，从技术落地到商业变现，全行业都在加速布局这一赛道。那什么是虚拟试衣？其背后的核心技术方案有哪些？国内外电...

NotebookLM是更直观的例子。今年推出了“Deep Research”功能。你可以上传论文、财报、甚至视频，它会像一个研究助理一样帮你总结、对比、提问。一...

那么我们能不能设计一个循环，既能在排序的过程中满足gap的动态变化，又能使gap的最后一次取值为 1 呢？

根据我们的参数可以知道，我们每8帧就需要存储一次，自然就需要一个循环来不停的存储我们的

自从上次发布了WebCut的开源信息之后，获得了非常多小伙伴的关注，也有很多小伙伴还不知道，所以我打算写一些更新进度文章，让关注的小伙伴了解WebCut的最新进...

朋友们晚上好啊，这段时间我在忙着完成最新的开源项目WebCut。这个项目是我这小半年来唯一的开源新项目，这对比我过去几年的一些开源事迹来说，真的是一段低产荒。不...

本篇内容较长，本来可以作为一篇付费内容，但是作为爱分享的人，希望和小伙伴们，一起见证用AI改变我们的生意模式。请提前收藏，分享转发，慢慢阅读。