TexTok：基于文本条件引导的图像分词框架。在编码器（Tokenizer）与解码器（Detokenizer）中均引入图像对应的文字描述嵌入，作为语义条件，指导图像的压缩与重建
论文Language-Guided Image Tokenization for Generation提出的T […]
TexTok：基于文本条件引导的图像分词框架。在编码器（Tokenizer）与解码器（Detokenizer）中均引入图像对应的文字描述嵌入，作为语义条件，指导图像的压缩与重建 Read More »
计算机视觉（CV）
野火监测卫星系统FireSat技术原理分析
FireSat计划的核心目标是利用人工智能（AI）和卫星技术实现早期野火探测，以在火灾扩散前进行有效干预。该项
野火监测卫星系统FireSat技术原理分析 Read More »
无归一化Transformer：用Dynamic Tanh (DyT)取代层归一化（Layer Normalization, LN）
论文Transformers without Normalization的研究证明了Transformer可以
无归一化Transformer：用Dynamic Tanh (DyT)取代层归一化（Layer Normalization, LN） Read More »
SANA-Sprint：基于连续时间一致性蒸馏的单步扩散模型，实现高速文生图（text-to-image , T2I）
论文SANA-Sprint: One-Step Diffusion with Continuous-Time
SANA-Sprint：基于连续时间一致性蒸馏的单步扩散模型，实现高速文生图（text-to-image , T2I） Read More »
DINO-WM：基于预训练视觉特征，可实现零样本（Zeor-shot）规划的世界模型（World Model ）
近年来，机器人技术和具身人工智能（Embodied AI）领域取得了显著进展，特别是在模仿学习（Imitati
DINO-WM：基于预训练视觉特征，可实现零样本（Zeor-shot）规划的世界模型（World Model ） Read More »
EmbodiedBench：专门用于评估视觉驱动具身智能体（Vision-Driven Embodied Agents）的基准测试框架
近年来，具身智能体（Embodied Agents）在人工智能研究中受到了越来越多的关注。这些智能体需要具备理
EmbodiedBench：专门用于评估视觉驱动具身智能体（Vision-Driven Embodied Agents）的基准测试框架 Read More »