Sora 是 OpenAI 开发的文本到视频生成模型,能够根据文本描述生成长达1分钟的逼真图像序列。它具有理解和模拟物理世界运动的能力,目标是训练出帮助人们解决需要实物交互的问题的模型。Sora 可以解释长篇提示,根据文本输入生成各种人物、动物、景观和城市景象。它的缺点是难以准确描绘复杂场景的物理学以及理解因果关系。
Wild2Avatar是一个用于渲染被遮挡的野外单目视频中的人类外观的神经渲染方法。它可以在真实场景下渲染人类,即使障碍物可能会阻挡相机视野并导致部分遮挡。该方法通过将场景分解为三部分(遮挡物、人类和背景)来实现,并使用特定的目标函数强制分离人类与遮挡物和背景,以确保人类模型的完整性。
api4ai是一个云原生的AI解决方案,提供图像处理的AI和计算机视觉解决方案,包括图像背景移除、NSFW检查、OCR、图像标注、物体检测、人脸识别等功能。它可以帮助您的产品或业务进行图像处理和机器学习,适用于企业、创业公司和开发者。具体定价和定位请参考官方网站。
navan.ai是一款无代码计算机视觉平台,帮助企业、开发者和学生快速构建和训练计算机视觉模型。无需编写代码,只需上传图片即可在几分钟内构建和训练模型。用户可以在nStudio中快速测试模型性能,并通过下载模型文件或使用API部署模型。navan.ai注重数据隐私,用户可以使用自己的数据进行模型训练,无需与平台共享数据。未来,用户还可以在navan.ai上将自己的计算机视觉模型进行商业化,为其他开发者提供使用,并从中获得收益。
为什么选择 Innovatiana 进行数据标注外包?Innovatiana 是一家致力于为您的人工智能需求提供有意义和有影响力的外包服务的公司。我们在马达加斯加招聘并培训我们自己的数据标注团队,为他们提供公平的薪水、良好的工作条件和职业发展机会。我们拒绝使用众包实践,为您提供有意义和有影响力的外包服务,并透明地提供用于人工智能的数据来源。我们的任务由一位英语或法语经理负责,以实现紧密的管理和沟通。我们提供灵活的价格,根据您的需求和预算定价。我们重视数据的安全性和机密性,并采取最佳的信息安全实践来保护数据。我们的数据标注专家经过专业培训,为您提供高质量的标注数据,用于培训您的人工智能模型。
FMA-Net是一个用于视频超分辨率和去模糊的深度学习模型。它可以将低分辨率和模糊的视频恢复成高分辨率和清晰的视频。该模型通过流引导的动态过滤和多注意力的迭代特征精炼技术,可以有效处理视频中的大动作,实现视频的联合超分辨率和去模糊。该模型结构简单、效果显著,可以广泛应用于视频增强、编辑等领域。
Label Studio是一款灵活的开源数据标注平台,适用于各种数据类型。它可以帮助用户准备计算机视觉、自然语言处理、语音、声音和视频模型的训练数据。Label Studio提供了多种标注类型,包括图像分类、对象检测、语义分割、音频分类、说话人分割、情感识别、文本分类和命名实体识别等。它支持快速启动和使用,适用于个人和团队使用。
DirectAI是一个基于大型语言模型和零样本学习的平台,可以根据您的描述即时构建适合您需求的模型,无需训练数据。您可以在几秒钟内部署和迭代模型,省去了组装训练数据、标记数据、训练模型和微调模型的时间和费用。DirectAI在纽约市总部,并获得了风投支持,正在改变人们在现实世界中使用人工智能的方式。
UniRef是一个统一的用于图像和视频参考对象分割的模型。它支持语义参考图像分割(RIS)、少样本分割(FSS)、语义参考视频对象分割(RVOS)和视频对象分割(VOS)等多种任务。UniRef的核心是UniFusion模块,它可以高效地将各种参考信息注入到基础网络中。 UniRef可以作为SAM等基础模型的插件组件使用。UniRef提供了在多个基准数据集上训练好的模型,同时也开源了代码以供研究使用。
Vision Mamba是一个高效的视觉表示学习框架,使用双向Mamba模块构建,可以克服计算和内存限制,进行高分辨率图像的Transformer风格理解。它不依赖自注意力机制,通过位置嵌入和双向状态空间模型压缩视觉表示,实现更高性能,计算和内存效率也更好。该框架在 ImageNet分类、COCO目标检测和ADE20k语义分割任务上,性能优于经典的视觉Transformers,如DeiT,但计算和内存效率提高2.8倍和86.8%。
LensAI是一个基于人工智能的上下文广告平台,通过视频和图像分析将广告直接放置在对象中,实现有效的流量变现。LensAI识别对象、标志、动作和上下文,并将其与相关广告进行匹配,精细调整定向,提供显著的广告效果和高回报率。LensAI提供了先进的图片和视频广告解决方案,为数字广告生态系统的所有关键利益相关者带来了利益。
Glyph-ByT5是一种定制的文本编码器,旨在提高文本到图像生成模型中的视觉文本渲染准确性。它通过微调字符感知的ByT5编码器并使用精心策划的成对字形文本数据集来实现。将Glyph-ByT5与SDXL集成后,形成了Glyph-SDXL模型,使设计图像生成中的文本渲染准确性从低于20%提高到接近90%。该模型还能够实现段落文本的自动多行布局渲染,字符数量从几十到几百字符都能保持较高的拼写准确性。此外,通过使用少量高质量的包含视觉文本的真实图像进行微调,Glyph-SDXL在开放域真实图像中的场景文本渲染能力也有了大幅提升。这些令人鼓舞的成果旨在鼓励进一步探索为不同具有挑战性的任务设计定制的文本编码器。
FineControlNet是一个基于Pytorch的官方实现,用于生成可通过空间对齐的文本控制输入(如2D人体姿势)和实例特定的文本描述来控制图像实例的形状和纹理的图像。它可以使用从简单的线条画作为空间输入,到复杂的人体姿势。FineControlNet确保了实例和环境之间自然的交互和视觉协调,同时获得了Stable Diffusion的质量和泛化能力,但具有更多的控制能力。
该代码仓库包含从合成图像数据(主要是图片)进行学习的研究,包括StableRep、Scaling和SynCLR三个项目。这些项目研究了如何利用文本到图像模型生成的合成图像数据进行视觉表示模型的训练,并取得了非常好的效果。
OLAMI是一个提供云端API、管理界面、多元机器感知解决方案的人工智能软件开发平台。OLAMI平台具有语音识别、自然语言理解、对话管理、语音合成等语音AI技术,以及图像识别、语义理解等视觉AI技术,可以轻松地为产品加入人工智能,提升用户体验。
ResFields是一类专门设计用于有效表示复杂时空信号的网络。它将时变权重引入多层感知机中,利用可训练的残差参数增强了模型的表达能力。该方法可以无缝集成到现有技术中,并可显著提高各种具有挑战性的任务的结果,如2D视频逼近、动态形状建模和动态NeRF重建等。
Repaint123可以在2分钟内从一张图片生成高质量、多视角一致的3D内容。它结合2D散射模型强大的图像生成能力和渐进重绘策略的纹理对齐能力,生成高质量、视角一致的多视角图像,并通过可视性感知的自适应重绘强度提升重绘过程中的图像质量。生成的高质量、多视角一致图像使得简单的均方误差损失函数就能实现快速的3D内容生成。
VMamba是一种视觉状态空间模型,结合了卷积神经网络(CNNs)和视觉Transformer(ViTs)的优势,实现了线性复杂度而不牺牲全局感知。引入了Cross-Scan模块(CSM)来解决方向敏感问题,能够在各种视觉感知任务中展现出优异的性能,并且随着图像分辨率的增加,相对已有基准模型表现出更为显著的优势。
Vision Arena是一个由Hugging Face创建的开源平台,用于测试和比较不同的计算机视觉模型效果。它提供了一个友好的界面,允许用户上传图片并通过不同模型处理,从而直观地对比结果质量。平台预装了主流的图像分类、对象检测、语义分割等模型,也支持自定义模型。关键优势是开源免费,使用简单,支持多模型并行测试,有利于模型效果评估和选择。适用于计算机视觉研发人员、算法工程师等角色,可以加速计算机视觉模型的实验和调优。
FRESCO是一个用于零样本视频翻译的框架,它通过引入帧内和帧间对应关系来建立更强大的空间-时间约束,从而确保跨帧的语义相似内容的一致性转换。该方法显著提高了翻译视频的视觉连贯性,并在产生高质量、连贯视频方面取得了显著效果。
ALFI是一款由人工智能驱动的企业SaaS平台,采用计算机视觉、机器学习、深度学习和边缘计算技术。它提供了广告定向、实时观众分析和个性化内容交付等功能。ALFI的独特网络将人工智能屏幕安装在Uber和Lyft等共乘服务中,实现数字户外广告的精准定向和个性化交付。它通过计算机视觉技术实时匹配受众与相关广告,并在符合隐私规范的过程中进行内容投放。ALFI的目标是为品牌提供更精准的广告投放,为企业提供实时观众分析和定制化内容交付。
Open-Sora-Plan是一个开源项目,旨在为开源社区提供高质量的视频数据集。该项目已经爬取并处理了40258个来自开源网站的高质量视频,涵盖了60%的横屏视频。同时还提供了自动生成的密集字幕,供机器学习等应用使用。该项目免费开源,欢迎大家共同参与和支持。
AnimateLCM-SVD-xt是一种新的图像到视频生成模型,可以在很少的步骤内生成高质量、连贯性好的视频。该模型通过一致性知识蒸馏和立体匹配学习技术,使生成视频更加平稳连贯,同时大大减少了计算量。关键特点包括:1) 4-8步内生成25帧576x1024分辨率视频;2) 比普通视频diffusion模型降低12.5倍计算量;3) 生成视频质量好,无需额外分类器引导。
StyleSketch是一种从面部图像中提取高分辨率风格化素描的方法。该方法利用预训练StyleGAN的深层特征的丰富语义,能够仅使用16对人脸和相应素描图像对来训练素描生成器。通过分阶段学习中的部分损失,StyleSketch能够快速收敛并提取高质量的素描。与现有的最先进素描提取方法和少量样本图像适应方法相比,StyleSketch在提取高分辨率抽象面部素描的任务上表现更优。
Scenic 是一个专注于基于注意力模型的计算机视觉研究的代码库,提供优化训练和评估循环、基线模型等功能,适用于图像、视频、音频等多模态数据。提供 SOTA 模型和基线,支持快速原型设计,价格免费。
ZeST是由牛津大学、Stability AI 和 MIT CSAIL 研究团队共同开发的图像材质迁移技术,它能够在无需任何先前训练的情况下,实现从一张图像到另一张图像中对象的材质迁移。ZeST支持单一材质的迁移,并能处理单一图像中的多重材质编辑,用户可以轻松地将一种材质应用到图像中的多个对象上。此外,ZeST还支持在设备上快速处理图像,摆脱了对云计算或服务器端处理的依赖,大大提高了效率。
LiveFood是一个包含超过5100个美食视频的数据集,视频包括食材、烹饪、呈现和食用四个领域,所有视频均由专业工人精细注释,并采用严格的双重检查机制进一步保证注释质量。我们还提出了全局原型编码(GPE)模型来处理这个增量学习问题,与传统技术相比获得了竞争性的性能。
美图AI开放平台专注于人脸技术、人体技术、图像识别、图像处理、图像生成等核心领域,为客户提供经市场验证的专业AI算法服务和解决方案。平台提供人脸技术、人体技术、图像识别、图像处理、图像生成等多种图像AI服务,支持Web API、Mobile SDK等多种接入方式,可应用于企业服务、美妆门店、医疗美容、智能硬件等多个行业场景,帮助企业快速进行图像AI能力打通和应用。
3D Fauna是一个通过学习 2D 网络图片来构建三维动物模的方法。它通过引入语义相关的模型集合来解决模型泛化的挑战,并提供了一个新的大规模数据集。在推理过程中,给定一张任意四足动物的图片,我们的模型可以在几秒内通过前馈方式重建出一个有关联的三维网格模型。
ImageTools是一款通用抠图工具,通过先进的计算机视觉算法,精确自动地从照片中移除背景,突显主体。适用于图像编辑、广告设计、电商等场景,提供用户在各种情境中展示图像主体的灵活性和创造空间。
DUSt3R是一种新颖的密集和无约束立体3D重建方法,适用于任意图像集合。它不需要事先了解相机校准或视点姿态信息,通过将成对重建问题视为点图的回归,放宽了传统投影相机模型的严格约束。DUSt3R提供了一种统一的单目和双目重建方法,并在多图像情况下提出了一种简单有效的全局对齐策略。基于标准的Transformer编码器和解码器构建网络架构,利用强大的预训练模型。DUSt3R直接提供场景的3D模型和深度信息,并且可以从中恢复像素匹配、相对和绝对相机信息。
ObjectDrop是一种监督方法,旨在实现照片级真实的物体删除和插入。它利用了一个计数事实数据集和自助监督技术。主要功能是可以从图像中移除物体及其对场景产生的影响(如遮挡、阴影和反射),也能够将物体以极其逼真的方式插入图像。它通过在一个小型的专门捕获的数据集上微调扩散模型来实现物体删除,而对于物体插入,它采用自助监督方式利用删除模型合成大规模的计数事实数据集,在此数据集上训练后再微调到真实数据集,从而获得高质量的插入模型。相比之前的方法,ObjectDrop在物体删除和插入的真实性上有了显著提升。