字节跳动的研究团队近日开发出一款名为 OmniHuman 的人工智能系统，能够将单张照片转化为逼真的视频，展示人物的讲话、歌唱以及自然的动作。这一突破性技术有望彻底改变数字娱乐和通讯领域。OmniHuman 能够生成全身视频，展现人物在讲话时的手势和动态，超越了以往仅能动画面部或上半身的 AI 模型。这项技术的核心在于，它结合了文本、音频和人体动作等多种输入，通过一种称为 “全条件” 训练的创新方法，使得 AI 能够从更大、更丰富的数据集中学习。研究团队指出，OmniHuman 经过

近日，谷歌深度学习团队和多所大学的研究人员联合发布了一项名为 “MegaSaM” 的新系统，该系统能够从普通的动态视频中快速、准确地估计相机参数和深度图。这一技术的问世，将为我们在日常生活中录制的视频带来更多的可能性，特别是在动态场景的捕捉与分析方面。传统的运动结构重建（Structure from Motion，SfM）和单目同步定位与地图构建(SLAM)技术，通常需要输入静态场景的视频，并且对视差的要求较高。面对动态场景，这些方法的表现往往不尽如人意，因为在缺乏静态背景的情况下

​阿里巴巴达摩院的通义千问团队在2024年8月30日宣布了其最新成果——Qwen2-VL模型的重大更新。Qwen2-VL模型在图像理解、视频处理和多语言支持方面均实现了显著提升，为关键性能指标设定了新的基准。