Amass
PulseAugur coverage of Amass — every cluster mentioning Amass across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
开发者为 OWASP ZAP 安全扫描器构建 AI 层
一位开发者创建了 VulneraMCP，这是一个旨在增强 OWASP ZAP 安全扫描器的开源 AI 层。该工具允许 AI 代理（如 ChatGPT 或 Claude Desktop）驱动 ZAP 的扫描能力，包括自动侦察、漏洞测试和分析。VulneraMCP 还包含一个学习引擎，该引擎从各种安全培训平台摄取漏洞利用模式，以生成自适应的 payload，所有数据都持久化存储在 PostgreSQL 中以持续改进。
-
人形机器人“大脑”获得类GPT模型，处理20亿帧运动数据
研究人员推出AstraBrain-WBC 0.5，这是一种新颖的、类GPT的基础模型，专为人形机器人的通用大脑控制而设计。该模型利用了包含20亿帧人类运动数据的海量数据集，在执行新颖动作的零样本泛化能力方面，显著优于SONIC和TWIST等现有方法。该架构采用了因果Transformer，摒弃了传统的MLP，以更好地捕捉运动中的长期时间依赖性，使机器人能够以高精度和稳定性执行复杂且动态的运动。
-
MotionMAR框架从稀疏数据中重建人体运动
研究人员推出MotionMAR，一个用于从稀疏观测数据中重建人体运动的新框架。该系统采用粗粒度到细粒度的方法，首先预测整体轨迹，然后逐步细化时间细节。MotionMAR集成了四个关键组件：用于多分辨率编码的时间多尺度分词（TMT）VQ-VAE，用于潜在空间预测的运动自回归网络（MAN），用于与观测对齐的尺度感知控制（SAC）模块，以及用于平滑和消除伪影的运动细化网络（MRN）。在AMASS数据集上的实验表明，MotionMAR达到了最…
-
人形机器人“小脑”模型训练20B帧，进入GPT时代 · 追踪1个来源
Galaxy General Robotics发布了AstraBrain-WBC 0.5，这是首个用于人形机器人实时全身控制的基础模型。该模型采用了类似GPT的Transformer架构，并在约200亿帧人类运动数据上进行了训练，使其成为迄今为止最大的人形机器人控制运动数据集。这一发展标志着机器人运动领域正迈向“基础模型”时代，能够实现更强的泛化能力、稳定性和复杂任务的适应性。
-
LIMMT 框架使用高质量数据实现卓越的运动追踪
研究人员开发了 LIMMT，一个注重数据质量而非数量的运动追踪新框架。通过关注物理可行性、多样性和复杂性，LIMMT 证明即使是少量高质量运动数据也能显著优于使用整个数据集进行训练。这种方法在基于物理的人形运动追踪和网络来源运动捕捉的数据清理方面显示出有效性。
-
新的生成框架学习带软律约束的随机动力学
研究人员开发了一种新的生成框架，用于学习随机动力学，尤其适用于涉及分布观测的任务。该方法将生成视为一个 McKean-Vlasov 控制问题，通过软能量约束来强制执行终端和时间边际律。该方法利用了前向-后向随机微分方程 (FBSDE) 求解器，该求解器已在分布基准和更高维度的潜在空间中进行了评估，用于人脸操控和人体运动合成等任务。
-
ETCH-X 和 OmniFit 通过新方法推进带衣三维人体拟合
研究人员开发了 ETCH-X，一种将参数化人体模型拟合到带衣人体三维扫描的先进方法。这种新方法通过引入“贴合度感知”拟合范式来处理服装动力学，并利用 SMPL-X 扩展表达性，从而改进了其前身。ETCH-X 利用隐式密集对应而非显式标记来实现更高的鲁棒性和精细的细节，在各种数据集上取得了显著的性能提升。