CoovallyAIHub

有一个变化，正在悄悄发生。 它没有体现在排行榜上，也没有写在 SOTA 的红字里，但你一旦意识到，就很难再忽视。 在越来越多系统里，计算机视觉不再是“核心模型”，而是一个被...

当AI画作已能以假乱真，人类如何守住现实边界？新一代检测框架通过建模“真实本身”实现超人级鉴别能力。 近日，中国科学院自动化研究所、清华大学、华中科技大学及腾讯优图实验室等...

最近有一项研究让我十分好奇，它似乎在尝试翻转我们熟悉的剧本——不是用人工智能去“分析”社区，而是让社区来“教会”人工智能如何看世界。这听起来像是一种充满温度的技术民主化实验...

​ 在多模态大模型飞速发展的今天，CLIP作为连接视觉与语言的“基石”依然发挥着重要作用。然而，随着应用场景的深入，研究人员逐渐发现CLIP的文本编码器已经成为整个系统的瓶...

这几年，3D 工业视觉走得很快，也走得有点累。 参数一路狂飙：像素更高、帧率更快、功率更猛、视角更广、体积更小。单看规格表，很难不让人兴奋。但真正把设备装上产线的人，往往会...

在计算机视觉领域，YOLO系列一直是速度和精度的代名词。但长期以来，所有YOLO模型都存在一个根本性限制：它们只能识别训练时见过的类别。 当面对新的物体类型——比如特殊的工...

红外成像领域的小目标检测一直是个技术难题——目标可能只是几个像素点，还常常淹没在复杂的云层、海面背景或者传感器噪声里。 为了解决这个难题，研究者们开始利用多帧时空信息，但新...

在追求模型规模的竞赛中，一个反直觉的事实正在发生：NVIDIA 的 C-RADIOv4 仅用 6.31 亿个参数就达到了 DINOv3 的 70 亿参数模型的性能。多教师蒸...

近年来，Transformer 席卷了计算机视觉领域，从图像分类到目标检测，表现亮眼。然而，当任务从静态图像扩展到视频理解、动态场景分析时，Transformer 的“硬扛...

近年来，随着生成式AI技术的突破，世界模型（World Models） 已成为自动驾驶与具身智能领域的核心研究方向。从文本直接生成驾驶视频，到可控的4D动态场景合成，当前模...

何恺明团队最近抛出的这篇工作，多少有点“把老问题直接掀桌子重来”的味道。他们提出的 **Pixel MeanFlow（pMF） **，在不借助潜在空间、不依赖多步采样的前提...

人类在观察复杂场景时，通常会先快速扫视整体轮廓，形成初步认知，再集中注意力到关键区域进行细节分析。这种 “纵观全局-聚焦细节” 的两阶段认知机制被称为自上而下注意力（Top...

工业视觉检测一直是智能制造领域的关键技术，而零样本异常检测（ZSAD） 更是被视为行业的“圣杯”——无需针对特定产线进行训练，即可直接投入使用的理想解决方案。然而，现有基于...

那个在象牙塔里从未失手的“学霸”，理论知识门门满分，实验操作无可挑剔。可当他第一次踏入纷繁复杂、充满意外的真实社会，却步步维艰，处处碰壁——这画面，是不是像极了如今许多计算...

在计算机视觉领域，基于骨架的人体动作识别一直备受关注。相比传统视频流，骨架数据不仅计算高效，还对环境光照、背景干扰有着天然的免疫力。然而，骨架模型也有自己的“心病”：由于缺...

车间里的景象总是带着某种永恒的韵律：传送带不知疲倦地滚动，机械臂精准地起落，金属部件泛着冷冽的光泽。就在这井然有序的乐章里，一个视觉检测工位却像是卡了壳的齿轮——那台装着最...

当你走过购物中心或繁忙的公共街道时，安装在入口和走道上方的摄像头记录着人们的一举一动。它们每秒都在产生视觉数据，而大多数时候我们甚至毫无察觉。 这股持续不断的数据流，为现代...

统一视觉表征的“次元壁”被打破了，这项研究让AI既能看懂世界又能创造世界。 近日，字节跳动旗下研究团队发布了一项颠覆性研究，提出了名为 “用于统一视觉表征的超网络”（Hyp...

最近，法国AI公司LightOn在文档理解领域投下了一枚重磅炸弹——他们推出的LightOnOCR-2-1B模型仅凭10亿参数，就在权威OCR评测基准OlmOCR-Benc...

就在今年十月，DeepSeek 放出其全新的 DeepSeek-OCR 模型时，业内还在消化它在文档解析上带来的震动。没想到，短短时间，他们又抛出了一篇重磅论文——Deep...