WeVisOne-VL: 从目标到像素的统一视觉感知
WeVisOne-VL 是一种强大的视觉语言模型，通过结构化下一词预测统一了目标级和像素级感知能力。该模型支持多种视觉任务，包括目标检测、指代定位、计数、OCR、分割和matting，能够在用户指定的任何粒度上进行定位，从点到框再到mask和alpha mattes。
推荐理由：通过结构化下一词预测统一目标级与像素级感知，WeVisOne-VL 在30多个基准测试中领先，为VLMs迈向可靠感知系统提供新路径。
#图像生成科技财经热点 · 每日精选
自动盯住上百个信源，用模型摘要、打分、精选，把同一件事的多篇报道归到一起，每天早上出一份日报。聚焦机器人、AI 与财经投资。
今日脉搏
具身智能专栏 →416今日入库
6 条进入精选
45/47 信源在线· 2 异常
近 14 天入库走势
近 7 天分类构成
行业 1301财经 1142硬件本体 875AI 产品 752AI 模型 263其他 387
HuggingFace Daily Papers精选AI 评分6565
arXiv · cs.RO精选AI 评分6565 Joints, Camera, Action! 协同生成任意骨骼结构的3D运动与视频
Noam Rotstein提出了一种新模型，能够协同生成任意骨骼结构的3D运动与视频，并自动定位相机位置将运动放置到3D场景中。该模型通过分离运动模型与视频模型，使用交叉注意力层连接，支持从文本生成多样化骨骼动画，并能将视频转换为骨骼运动，实现关键帧控制。研究团队使用生成式视频编辑器创建了近20万训练对，评估显示该方法比视频优先管道更忠实于文本描述，且运动能响应周围场景。
推荐理由：通过分离运动模型与视频模型，实现了任意骨骼结构的3D运动与视频的协同生成，解决了现有方法仅支持人类骨骼或参数量过大的问题。
HuggingFace Daily Papers精选AI 评分6565 SolarRenderer: 少步生成式参考渲染
研究人员提出SolarRenderer，一种结构条件视频渲染器，通过冻结MiniMax-H3 33B主干模型并使用两个轻量级LoRA适配器，实现了四步渲染，比50步采样快12.3倍。该模型在136K帧对齐语料上训练，可在16种结构表示上达到最先进结果，并能泛化到11种未见表示，包括姿态骨架、绘图和点云。
推荐理由：四步渲染比传统方法快12.3倍，同时保持对11种新结构表示的泛化能力，为实时视频生成开辟新路径。
已经到底了