2024-08-29 42 0

在过去的几年中，文本到图像生成研究取得了大量突破（尤其是Imagen、Parti、DALL-E 2等），这些突破自然而然地渗透到了相关主题中。具体来说，文本引导的图像编辑 (TGIE) 是一项实用的任务，它涉及编辑生成和拍摄的视觉效果，而不...

2024-08-29 45 0

人类具有非凡的能力，能够接收大量信息（估计每秒约有 10 10比特进入视网膜），并选择性地关注一些与任务相关且有趣的区域，以便进一步处理（例如记忆、理解、行动）。因此，对人类注意力进行建模（其结果通常称为显着性模型）一直是神经科学、心理学、...

2024-08-29 36 0

在选择地点时，我们经常会问自己以下问题：这家餐厅的氛围适合约会吗？户外座位好吗？有足够的屏幕观看比赛吗？虽然照片和视频可以部分回答这些问题，但它们无法代替身临其境的感觉，即使无法亲自前往也不行。具有交互性、照片级真实感和多维度的沉浸式体验可...

2024-08-29 41 0

用于图像生成的大型扩散模型 的激增导致模型大小和推理工作量大幅增加。在移动环境中进行设备上的 ML 推理需要细致的性能优化，并考虑资源限制带来的权衡。在设备上运行大型扩散模型 (LDM) 的推理，出于对成本效率和用户隐私的需求，由于这些模型...

2024-08-29 36 0

想象一下，有人向你展示了两个完全相同的物体，然后要求你闭上眼睛。当你睁开眼睛时，你会看到两个完全相同的物体，它们的位置也完全相同。你如何判断它们是否被调换了位置？直觉和量子力学定律一致：如果物体真的完全相同，就无法分辨。虽然这听起来像是常识...

2024-08-29 38 0

Google 的AI for Social Good团队由研究人员、工程师、志愿者和其他人员组成，他们共同关注积极的社会影响。我们的使命是通过实现现实世界的价值来展示 AI 的社会效益，项目涉及公共卫生、无障碍、危机应对、气候和能源以及自然...

2024-08-29 41 0

生成式 AI 的最新进展开启了在文本、视觉和音频等多个不同领域创建新内容的可能性。这些模型通常依赖于这样一个事实：原始数据首先被转换为标记序列的压缩格式。对于音频，神经音频编解码器（例如SoundStream或EnCodec）可以有效地将波...

2024-08-29 38 0

缓存是计算机科学中一种普遍存在的概念，它通过根据请求模式将一部分热门项目存储到离客户端更近的地方，显著提高存储和检索系统的性能。缓存管理的一个重要算法是用于动态更新存储项目集的决策策略，该策略经过了几十年的广泛优化，产生了几种高效、鲁棒的启...

2024-08-29 41 0

最近，在网络规模的图像标题数据集上对视觉语言 (VL) 模型进行预训练已成为传统图像分类数据预训练的有力替代方案。图像标题数据集被认为更“开放领域”，因为它们包含更广泛的场景类型和词汇，这使得模型在少样本和零样本识别任务中表现优异。然而，具...

2024-08-29 47 0

近年来，扩散模型在文本到图像的生成中取得了巨大成功，实现了高图像质量、提升了推理性能，并拓展了我们的创作灵感。然而，有效控制生成仍然具有挑战性，特别是在难以用文字描述的条件下。今天，我们发布了MediaPipe扩散插件，该插件支持在设备上运...