人工智能的前沿不再只是数据中心；它在于工厂车间、零售店、公共基础设施以及我们周围的智能设备。推动这一转变的是视觉语言模型（VLM），这是一个革命性的人工智能，可以解释和推理图像和视频。潜力巨大，但任何

这篇名为《一致性模型》的论文提出了一类新的生成模型，能够一步到位地生成高质量图像，解决了扩散模型的主要瓶颈——采样过程慢、需要多次迭代。它的核心贡献在于证明了：在保持扩散模型强大表达能力和训练稳定性的

无需依赖真实标注，仅凭文字提示即可生成高质量3D场景 在自动驾驶、机器人导航等领域，3D场景的感知与生成一直是研究热点。然而，传统方法通常将这两个过程分离：生成模型仅仅作为数据增强工具，为下游感知任务

​一、滤波：让画面安静下来 ​编辑 滤波，是计算机视觉中最早建立秩序的环节。它回答了一个根本问题：什么是信号，什么是噪声。 从均值、高斯，到中值、双边，再到自适应滤波，这些方法的目标始终一致——在不损

昨夜，黄仁勋又“炸场”了。 在 2025 年 10 月的 GTC 大会上，从量子计算到6G通信，从超级芯片到AI工厂，黄伟达在华盛顿勾勒出美国AI世纪的宏伟蓝图。 在黄仁勋GTC主题演讲结束后，英伟达

如果你看过体育比赛中带球员轨迹回放，或者见过自动驾驶汽车在车流中穿梭，那你已经见识过多目标跟踪（MOT）技术了。这项技术不仅能识别视频中的物体，还能随时间持续追踪它们，为每个目标分配独立ID——比如在

目标检测技术正以前所未有的速度重塑着我们的世界。从自动驾驶汽车在城市街道上自如穿梭，到智能工厂精准监控生产线，这项技术已成为无数AI应用的核心支柱。 随着Transformer架构和注意力机制的快速发

上海交通大学等机构联合提出全能驾驶导航世界模型，在生成质量与控制精度上全面超越现有SOTA！ 自动驾驶技术的发展正面临着一个关键瓶颈：如何在虚拟环境中进行高效、安全的训练与测试？传统的仿真平台虽然能够

3D场景生成迎来突破，大平层里虚拟人也能自由行走 近日，华为联合上海交通大学、华中科技大学推出了全新的世界模型WorldGrow，该模型能够生成高达1800㎡的超大室内场景（19x39块），且单张A1

在工业质检、医疗诊断等领域，异常检测技术一直面临着巨大挑战。传统的异常检测模型通常只使用正常样本进行训练，但当遇到全新场景时，检测效果往往大打折扣。更重要的是，在实际应用中，我们通常能够获得少量异常样

开源16小时就登顶HuggingFace Trending全球第一！ 前不久，小编刚刚介绍了PaddleOCR开源最强OCR生态，不靠参数靠实力，56K+ Star见证实力（附开源地址），然而就在17

线性时间推理、超长文本处理、硬件高效利用，这条“算法巨蟒”正在悄然蜕变。 在AI领域，Transformer架构自2017年确立统治地位以来，各类“Transformer杀手”就如雨后春笋般涌现。在众

今天凌晨，在夏威夷举行的国际计算机视觉大会ICCV 2025揭晓了本届会议的最佳论文等奖项。全球计算机视觉三大顶会之一的ICCV今年共收到11239份有效投稿，最终录用2699篇论文，录用率为24%。

无需精确标注，照样能get细致入微的深度图 你是否曾经想过，如果AI能像人类一样，仅通过观看视频就理解场景的远近关系，那该有多酷？ 最近，一项名为 Jasmine 的研究给出了令人惊喜的答案——它首次

就在百度刚刚发布PaddleOCR-VL，以0.9B参数量重新定义文档解析效率之际，DeepSeek也正式开源了其颠覆性的DeepSeek-OCR模型。不过，它的野心远不止于“识别”，而是直指大模型处

本文讲解了将原始的手绘图表（比如白板照片、流程图、线框图）转换成结构化的、机器可读的 JSON。这事儿听起来简单，实践起来却复杂得惊人。本文将通过我的技术实践历程，介绍实际遇到的困难以及真正有效的解决

无需改变架构，仅通过创新训练策略，就让视觉语言模型具备了与专业视觉模型相媲美的三维感知能力 在多模态人工智能蓬勃发展的今天，一项突破性研究正悄然改写我们对视觉语言模型的认知边界。Meta公司高级研究员

把目标检测变成“下一个点预测”，用2200万数据+强化学习解决行业难题 目标检测技术正在迎来一场范式革命！传统方法如YOLO、DETR依赖复杂的坐标回归，而IDEA（粤港澳大湾区数字经济研究院）研究院

伦敦时间9月25日，YOLO Vision 2025（YV25） 混合盛会如期举行。全场观众屏息凝神，等待传闻中的Ultralytics YOLO14登场。然而，当Ultralytics创始人兼首席执