近日，Tongyi语音团队发布了他们的最新成果，一套超强的音频理解与生成模型。这套模型的发布，无疑将大大推动音频技术的发展与进步。模型的理解部分，能够准确分析出音频中的各种元素和信息，包括但不限于音质、音色...

一种用于手术场景的三维重建的SfM-free方法已经引入，解决了以前的方法在处理最小化纹理和光度不一致性时的限制。这种新方法的引入，为医学手术带来了新的视野，提升了手术效果和安全性，同时也为未来的医学技术发展...

FlexiFilm 是一种专门为生成超过30秒的长视频而设计的扩散模型，它能够保证生成的视频具有高度的一致性和质量。这一新模型的出现，将在视频制作领域开启新的可能性。视频长度不再受限，而且模型生成的视频质量也得以...

OpenStreetView-5M是一个重要的开放获取数据集，包含超过500万张来自225个国家的地理标签街道图像。该数据集旨在通过测试图像定位能力，推动计算机视觉的极限。OpenStreetView-5M不仅覆盖了全球范围内的街道图像，也...

谷歌近日推出了一种名为'Magic Insert'的新方法，该方法可以通过扩散方式将语义对象插入到图像中。这种新技术打破了传统的图像处理方式，能够将语义对象与图像进行深度融合，从而产生更为逼真的视觉效果。谷歌同时也...

科研人员最近引入了一种新的方法——RSCaMa，用于使用自然语言描述远程感应图像中的变化。随着科技的发展，远程感应技术在环境、农业等领域得到了广泛应用。然而，对于大量的远程感应图像数据进行解析和描述却仍然面临...

LLaRA是一个使用大型语言模型（LLM）来通过对话式的指令-响应对提高机器人行动政策的框架。通过整合视觉输入，这些视觉语言模型（VLM）处理状态信息并生成最优的政策决策。LLM的使用增强了机器人的理解和应对能力，...

Google的AI Overviews（AIO）功能现在只出现在8.71%的SERPs中，用于100K关键词，这比之前的64%有了显著的下降，大部分的AIOs都链接到前10的有机结果。AIO内容的长度和链接数目在推出后都有所增加，这表明Google强调...