Lab4AI大模型实验室

NeurlPS 2025！普林斯顿团队成果：InFlux首破动态相机内参逐帧真值难题，重塑3D视觉评估 论文标题：InFlux: A Benchmark for Self-Calibration of

从 50 步到 4 步：LightX2V 如何把视频生成拉进20 秒时代？ 还在为高质量视频生成「又慢又重」头疼吗？ 传统扩散式视频生成模型往往需要20～50步迭代过程，即便生成几十帧的短视频，也需长

ECCV 2024！面向领域泛化分割的文本查询驱动掩码Transformer| 语义分割 | 计算机视觉 01 论文概述 论文名称：Textual query-driven mask transfor

论文名称：DreamFuse: Adaptive Image Fusion with Diffusion Transformer —— 基于扩散变换器的自适应图像融合框架

从帧到世界：面向世界模型的长视频生成 世界模型是一种能够“看懂”现实世界规则并“预测”其动态变化的生成式AI，例如理解“抛球会落地”或“太阳东升西落”等常识。其技术本质是通过大量数据学习物理规律、因果

CVPR 2024 | 赋能大语言模型以精准理解视频时序瞬间 | LLM | 时序预测 论文名称：VTimeLLM: Empower LLM to Grasp Video Moments

CVPR 2022！经典论文！稳定扩散模型（Stable Diffusion）背后的革命性技术：隐空间扩散模型

VideoLLaMA 3是基于Llama 3的前沿多模态基础模型，深度融合视觉、听觉与语言理解能力，支持高分辨率图像和长视频的端到端分析。其核心技术包括统一的视听语言架构、高效长视频词元化和万亿级多

论文《FBRT-YOLO: Faster and Better for Real-Time Aerial Image Detection》提出了一种针对航拍图像目标检测的优化方法。