Lab4AI大模型实验室

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。

论文标题：Scaling Instruction-Based VideoEditing with a High-Quality Synthetic Dataset 作者团队：香港科大、蚂蚁集团、浙江大

CVPR 2024 目标检测！开放词汇 01 论文概述 论文名称：YOLO-World: Real-Time Open-Vocabulary Object Detection 会议名称：CVPR （2

本文探讨了LightLLM框架在法律智能体中的应用，解决大语言模型知识滞后和幻觉问题。通过RAG框架整合外部知识库，LightLLM实现轻量化部署与高效推理，支持多模型规模与量化策略。文章详细演示了在