PulseAugur
中
实时 20:56:22
实体 Ying Shen

Ying Shen

PulseAugur coverage of Ying Shen — every cluster mentioning Ying Shen across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
1
90 天内 4
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 4
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 4 条
  1. TOOL · CL_288169 ·

    Apple发布归一化轨迹模型,加速AI图像生成

    Apple Machine Learning Research推出了归一化轨迹模型(NTM),这是一种新颖的生成模型方法,即使只有少数粗略的采样步骤也能保持精确的似然训练。与以往牺牲似然性换取速度的方法不同,NTM在每个反向步骤中利用了表达性条件归一化流。这种架构结合了浅层可逆块和深度并行预测器,允许从头开始训练或从预训练的流匹配模型进行初始化。NTM在文本到图像基准测试中表现出竞争力,仅用四个步骤即可生成高质量样本,同时保持生成轨迹的精确似然。

  2. TOOL · CL_218396 ·

    Apple 发布 STARFlow2,实现统一的文本图像生成

    Apple 研究人员开发了 STARFlow2,这是一种新颖的架构,通过连接语言模型和归一化流来实现多模态生成。这种方法允许连续、单次、纯粹因果地生成交错的文本和图像序列,保留预训练的多模态理解能力,并实现高保真图像合成。该系统利用带有残差跳跃连接和统一潜在空间的 Pretzel 架构,允许文本和视觉输出直接进入 KV 缓存,从而提高生成效率。

  3. TOOL · CL_100249 ·

    LaTtE-Flow: 统一的多模态模型推理速度提升 6 倍

    研究人员推出了一种新颖的架构 LaTtE-Flow,它在一个单一的多模态模型中统一了图像理解和生成。该方法利用了预训练的视觉语言模型,并采用了逐层时间步专家流(Layerwise Timestep-Expert flow-based)设计。通过将流匹配过程分布在专门的 Transformer 层中,LaTtE-Flow 显著提高了采样效率,与现有的统一多模态模型相比,推理速度大约快了六倍,同时保持了有竞争力的图像生成质量。

  4. TOOL · CL_57621 ·

    Apple 将在 CVPR 2026 上展示 AI 研究

    Apple 的机器学习研究团队将在 IEEE/CVF 计算机视觉与模式识别会议 (CVPR) 2026 上发表多篇论文并参与研讨会。该公司也是此次会议的赞助商,会议将于 6 月 3 日至 7 日在丹佛举行。演讲主题将涵盖生成式 AI 用于手语、高效深度学习、视频大语言模型以及图像压缩等领域。