实体
DINO v2
DINO v2
PulseAugur coverage of DINO v2 — every cluster mentioning DINO v2 across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
新框架和基准推动视听生成发展
研究人员推出了OmniCustom，一个可以同时从参考图像和音频定制视频身份和音频音色的框架。这个基于DiT的模型使用独立的LoRA模块进行身份和音色控制，并通过对比学习目标进行增强。此外，NAVA框架为联合生成提供了原生的视听对齐，使用一个6.3B参数的模型提高了同步性和音色可控性。另外，LongAV-Compass已被开发为一个基准，用于评估跨越各种条件模态的分钟级视听生成，评估长时间内的连贯性和对齐性。
-
新光流方法跳过使用基础模型的测试时缩放
研究人员开发了一种新的密集光流估计方法，该方法无需进行计算密集型的测试时缩放。该方法利用预训练的基础模型，特别是用于语义特征的DINO-v2和用于几何线索的单目深度模型，在单次前向传播中实现准确的结果。该框架成功融合了这些先验知识，并采用了全局匹配公式，展示了强大的跨数据集泛化能力，并在Sintel Final等基准测试中优于SEA-RAFT和RAFT等现有方法。
-
SAM 3：AI之眼 — Nikhila & Pengchuan (Meta Superintelligence)，特邀 Joseph Nelson (Roboflow)
Meta AI 发布了 SAM 3，这是其 Segment Anything 项目的一项重大进展，能够使用自然语言提示在图像和视频中进行概念分割、检测和跟踪。该新模型通过实时识别诸如“黄色校车”等概念的每一个实例，并以惊人的速度，实现了人类水平的详尽性。SAM 3 与 Gemini 等多模态大语言模型集成，可执行复杂的视觉推理任务，并通过在 Roboflow 平台上的应用，已节省了超过 130 年的标注时间。