Peng Zhang
PulseAugur coverage of Peng Zhang — every cluster mentioning Peng Zhang across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新型检测器 S$^3$E-Det 改进多光谱目标检测
研究人员推出了一种新颖的多光谱目标检测器 S$^3$E-Det。该系统旨在通过在几何变化下保持一致的定位并有效利用材料依赖的光谱响应来提高准确性。S$^3$E-Det 包含光谱顺序感知采样校准 (SOSC) 以施加光谱顺序约束，以及公共-差分等变融合 (CDEF) 以实现不同特征级别之间的自适应光谱-上下文聚合。几何对齐头 (GAH) 通过协调不变和等变输出属性进一步完善预测阶段。
-
SGLDet框架增强多光谱航空目标检测
研究人员推出SGLDet，一个旨在改进多光谱航空目标检测的新框架。该模型解决了前景-背景不平衡以及目标尺度和方向变化等挑战。SGLDet采用光谱感知的全局-局部动态建模方法，包含全局动态建模、多尺度上下文集成和自适应局部特征调制等组件。在MODA、HOD3K和DroneVehicle等数据集上的实验表明，SGLDet在具有竞争力的计算成本下提供了卓越的性能。
-
Wan-Animate-2 框架通过直接视频输入增强角色动画
研究人员推出了一种新颖的角色动画框架 Wan-Animate-2，该框架使用重新设计的 Diffusion Transformer 直接处理驱动视频。这种方法通过移除中间运动提取器来提高运动生成保真度并保留角色身份。该框架还集成了文本驱动的视点控制，允许输出摄像机视角独立于输入视频进行调整。此外，还开发了一个高效的变体 Wan-Animate-2-Lite，以实现适合流式动画的实时推理速度。
-
Wan-Dancer框架从音乐生成分钟级连贯舞蹈视频
研究人员推出了一种名为Wan-Dancer的新型框架，该框架能够根据音乐生成长时间、高质量的舞蹈视频。该方法通过将过程分解为全局关键帧规划和局部时间细化，并利用全曲音乐上下文，来确保时间连续性和全局结构。模型权重和推理代码已发布，用户可以在Hugging Face和ModelScope等平台上进行实验。
-
苹果研究人员发布同步文本到视频音频生成新方法
研究人员开发了一个名为交叉引用重写器（CRR）的新框架，以改进文本到声音视频（T2SV）生成。这个双代理系统通过解耦视频和音频的字幕对，解决了视频和音频生成与文本提示对齐的挑战，从而减少了模态干扰。CRR旨在弥合详细训练字幕和简洁用户提示之间的差距，从而产生更同步、更具上下文相关性的视频和音频输出。
-
Notion、Salesforce、Uber 使用 Anyscale 的 Ray 框架扩展 AI
Anyscale 主办了 Ray Day Seattle，展示了 Notion 和 Salesforce 等公司如何使用 Ray 框架扩展 AI 工作负载。Notion 通过将 AI 管道迁移到 Ray，将多个步骤整合到一个引擎中，从而将嵌入成本显著降低了 80%，并提高了查询延迟。Salesforce 利用 Ray 构建了一个用于总结长篇文档的分布式系统，使用 20B 参数模型实现了低延迟。Uber 还展示了使用 Ray 改进其 M…