AIGC Studio：分享AIGC前沿知识和好玩应用，公众号同名。

计算机硕士，人工智能领域优质创作者，从事深度学习、计算机视觉、图像处理相关工作，目前关注于AIGC文生图，图生图，文生视频等方向。曾在滴滴，小米任职算法工程师。

原创最近刷屏的Jev，到底是个什么东西。

Jev是TypeSafeAI推出的全新类别“System One Model”，专为自动化系统设计，不生成文本，仅返回选项、分数或是/否判断，支持70-500毫秒内完成类型安全的结构化输出，并附带校准置信度。其核心优势在于速度极快、成本低（每十亿次仅42美元）、零类型错误，适用于Agent路由、工单分类、内容风控等海量判断场景。虽准确率未碾压主流模型，但稳定性高，弃权率需关注。适合工作流自动化团队试用，但需实测验证真实表现，尤其注意置信度阈值与数据质量。它不是通用模型，而是让机器“快速、可信做判断”的关键基

2026-09-21 23:15:41 739

原创告别“AI塑料感”！Krea 2 开源双版本基座, 12B DiT + 8步出2K图 + 9款官方 LoRA，拒绝审美趋同的“创意探索”引擎。

KreaAI开源Krea2文生图模型，采用12B DiT骨干架构与双版本设计：Raw版适配微调训练，Turbo版经8步蒸馏实现2秒生成2K图像。模型在独立实验室评测中位列第一，通过五阶段训练流程和四大奖励函数优化，显著提升画面美学多样性与生成质量。配套9款风格LoRA，支持消费级GPU部署，提供ComfyUI等多种推理方案。该模型突破传统AI画风同质化局限，突出创意探索能力，已在GitHub和ModelScope全面开源。

2026-08-10 23:12:20 1634

原创消费级显卡迎来实时视频生成！FastVideo 开源 FastWan-QAD，RTX 5090 实现 1.8 秒生成 5 秒 480P 视频！

HaoAILab开源FastVideo框架，突破文生视频模型速度瓶颈，实现消费级显卡1.8秒快速生成。该框架集成VSA稀疏注意力、QAD量化蒸馏等核心技术，将传统几分钟的生成过程压缩至秒级，支持480P-720P多规格输出。FastVideo兼容主流硬件，提供完整训练到部署方案，包含LoRA微调、多卡分布式支持，并开放高质量数据集。其FastWan系列模型在RTX5090上实测生成5秒480P视频仅需1.8秒，画质稳定，显著降低视频创作门槛。项目采用Apache2.0协议全面开源，涵盖代码、模型及可视化工具

2026-08-10 23:09:18 1451

原创抛弃英伟达 GPU！魔芯&浙大提出全球首个 NPU 原生实时 4D 世界模型 MoWorld，自由控相机长时序视频无漂移。

魔芯科技联合浙江大学潘云鹤院士团队推出全球首款全栈国产NPU实时交互世界模型MoWorld，突破传统GPU方案在性能和成本上的局限。该14B MoE模型通过创新数据管线、跨帧预训练和NPU专属架构，实现50FPS高速推理，成本仅为GPU方案的30%-50%，支持长时序稳定视频生成与自由相机控制。在室内重建、云游戏、影视预演等场景表现优异，为国产算力生态落地4D世界模型开辟新路径。

2026-08-10 23:07:16 1305

原创视频重打光进入实时交互时代！港科大联合清华开源首个实时流式视频重打光框架 LiveLight, 0.25 秒生成单图连续变化光照效果。

LiveLight创新性地实现了从单张静态图像生成时序连贯的动态光照效果，突破了传统AI图像动画在光影模拟上的局限。该开源框架通过光照解耦、时序推演和可微分渲染三大模块，仅需输入单张图片即可输出物理真实的动态光照视频，支持日出日落、灯光渐变等多种场景。实验表明，该方法在时序一致性、物理真实性和泛化能力上优于现有方案，且不依赖3D重建，显著降低了计算成本。

2026-08-10 23:04:39 1334

原创最强AI设计智能体Lovart，保姆级入门教程。

【AI设计工具Lovart深度测评：为什么值得年费订阅？】作为长期使用各类AI设计工具的博主，作者认为Lovart凭借稳定性、全链路设计能力和创新功能脱颖而出。与其他工具不同，Lovart作为全球首个设计领域AI智能体，能完整承接从需求理解到方案输出的全流程设计任务。其核心优势包括：品牌视觉自动对齐功能、图层级细节修改能力、字体版权解决方案、智能样机生成，以及可沉淀设计经验的CreateSkill功能。目前平台正开展年中43折大促，是2026年前最低价窗口期。对于需要稳定高效设计工具的内容创作者而言，Lov

2026-06-29 22:17:06 2213

原创 CVPR 2026 | 加州大学 × Adobe 联合发布 FaceCam：无4D数据训练下实现单视频精准相机控制，让短视频创作者轻松掌控“电影级”运镜。

FaceCam提出了一种基于单个输入视频和相机轨迹的人像视频生成方法。通过尺度感知相机条件化技术，利用渲染的面部特征点表示目标相机，实现精确的相机姿态控制。该方法无需4D合成训练数据，通过合成相机运动和多镜头拼接策略，使模型在推理时能泛化到连续相机轨迹。实验表明，FaceCam在相机控制精度、视觉质量、身份和运动保持方面表现优异，优于现有方法。相关资源包括项目主页、论文和开源代码。

2026-06-27 11:29:10 1873

原创 AI 首次实现电影级多镜头长视频生成！快手&港中文开源ShotStream，可实现单NVIDIA GPU上可达16 FPS 互式故事讲述和高效即时帧生成。

快手可灵团队提出革命性AI视频生成框架ShotStream，突破传统单镜头限制，实现多镜头长视频智能生成。该技术赋予AI"导演思维"，能自动规划分镜、控制运镜并处理场景切换，直接从脚本生成包含多景别、流畅转场的完整视频序列，保持角色场景一致性。其创新因果架构通过双缓存机制确保视觉连贯性，采用两阶段蒸馏策略减少误差累积，在单GPU上实现16FPS实时生成。

2026-06-27 11:21:27 1614

原创亚马逊提出FlowFixer，商品图生成告别模糊Logo和错字，电商广告的“最后一公里”神器来了！

《FlowFixer：解决AI生成图像细节丢失的突破性方案》摘要：韩国大学与亚马逊联合开发的FlowFixer模型，有效解决了AI生成图像（AIGC）中常见的Logo模糊、文字错乱等细节丢失问题。该模型采用创新的"图像到图像"翻译技术，在不改变整体构图的前提下，将参考图的精细细节精准复现到生成图中。通过"一步去噪"自监督法生成训练数据，FlowFixer在FidelityBench-258K测试中展现出77.3%的细节修复成功率，显著优于现有方法。实验证明，该方案在

2026-04-12 20:56:17 1339

原创 AI 首次实现电影级多镜头长视频生成！快手&港中文开源ShotStream，可实现单NVIDIA GPU上可达16 FPS 互式故事讲述和高效即时帧生成。

快手可灵团队提出革命性AI视频生成框架ShotStream，突破传统单镜头限制，实现多镜头长视频自动生成。该技术通过因果多镜头架构和两步蒸馏法，使AI具备"导演思维"，能根据脚本自动规划分镜、控制运镜并处理场景切换，保持角色和场景一致性。实验显示，ShotStream在单GPU上可达16FPS的实时生成速度，性能优于传统双向模型，为交互式叙事开辟新可能。这项技术标志着AI视频生成从简单片段迈向完整电影制作的重大突破。

2026-04-12 20:55:23 1960

原创 CVPR 2026 | 加州大学 × Adobe 联合发布 FaceCam：无4D数据训练下实现单视频精准相机控制，让短视频创作者轻松掌控“电影级”运镜。

FaceCam是一种创新的相机控制系统，能够基于单个输入视频和目标相机轨迹生成可控的人像视频。该方法通过尺度感知相机条件化技术，利用面部特征点表示相机姿态，有效解决了传统方法中的尺度模糊问题。系统采用多视角视频和自然场景数据进行训练，引入合成相机运动和多镜头拼接策略，在推理时能泛化到连续相机轨迹而无需3D监督。实验表明，FaceCam在相机控制精度、视频质量、身份和运动保持等方面均表现优异，为人像视频生成提供了新的解决方案。相关代码和论文已在GitHub和arXiv平台开源。

2026-04-12 20:54:34 1327

原创端侧AI图像生成新突破！字节开源DreamLite：0.39B参数统一图像生成与编辑，小米14上实现1秒出图。

字节跳动推出轻量级AI图像模型DreamLite，在移动端实现高效图像生成与编辑。该模型仅0.39B参数，通过创新的架构压缩技术（如缩减Transformer块、深度可分离卷积等）和任务统一机制，在小米14等设备上1秒内完成1024x1024图像处理。DreamLite采用渐进式训练策略，支持文生图和图像编辑双功能，性能超越多个服务器大模型。其4步快速推理技术显著提升响应速度，实测在多项基准测试中表现优异，为移动端AI图像处理树立新标准。相关代码和模型即将开源，将推动端侧AI应用的普及发展。

2026-04-12 20:53:43 2183

原创 CVPR 2026 | 复旦开源首个端到端多模态矢量动画生成框架OmniLottie：UI动效革命，文本/图像一键转Lottie动画！

复旦大学OpenVGLab团队推出OmniLottie，首创多模态Lottie动画生成模型，支持文本/图像/草图/视频多种输入方式生成专业UI动效。该方案通过LottieTokenizer实现10倍数据压缩，直接输出轻量可用的.json文件，并开源200万量级的MMLottie-2M数据集。实验显示其生成动画质量高、语义对齐度好，显著提升传统动效设计效率。

2026-04-12 20:53:02 1622

原创 SIGGRAPH 2026 | 加州大学&Adobe提出首个可控全景视频生成框架OmniRoam，单图实现360°无限漫游，长时全景视频生成新SOTA。

OmniRoam是一种创新的可控全景视频生成框架，由多所高校与Adobe Research联合开发。该技术通过球面潜在扩散模型、长时一致性记忆机制和可控相机轨迹引导三大核心模块，有效解决了传统透视视频模型在长距离场景漫游中的局限性。实验表明，OmniRoam在视觉质量、轨迹可控性和循环一致性方面均优于现有方法，支持用户自定义相机路径实现精准场景漫游。该框架不仅提升了全景视频生成质量，还拓展了实时生成和3D重建的应用场景，为虚拟现实等领域提供了更高效的视频生成工具。相关代码已开源，有望推动视频生成技术的进一步

2026-04-12 20:51:55 1395

原创 CVPR 2026 | 一键迁移灯光！港大&Adobe&耶鲁等提出LightMover：单图可控光照编辑，让阴影和反射“活”起来。

《LightMover：基于视频扩散先验的单图物理级光照编辑框架》摘要：阿德莱德大学等机构联合提出的LightMover框架突破了传统单图光照编辑的技术瓶颈，无需3D重建即可实现物理级光影控制。该框架通过视频扩散Transformer建模光照变化，支持光源位置、颜色和强度的独立调控，自动生成符合物理规律的阴影、反射等效果。基于32,000组合成数据训练，LightMover在PSNR（提升15%）、SSIM（达0.92）等指标上显著优于现有方法，用户测试显示85%的参与者认可其真实感。这项被CVPR202

2026-04-12 20:51:01 1174

原创 0.3秒生成6秒数字人动作！SentiAvatar：让3D数字人真正“活“起来，模型、数据集已经开源。

SentiAvatar开源框架突破数字人交互瓶颈，实现情感驱动的自然动作生成。该框架创新性地采用"先规划后填充"双通道架构，将语义规划与韵律驱动解耦，在自建37小时多模态数据集SuSuInterActs上训练，R@1达43.64%。实验显示其6秒动作仅需0.3秒生成，在BEATv2数据集FGD(4.941)和BC(8.078)指标均创新高，解决了传统数字人动作僵硬、表情不自然的问题。框架、数据集及角色模型已全面开源，为实时虚拟交互研究提供新基准。

2026-04-12 20:49:07 1743

原创 CVPR 2026 Highlight｜PhysGM：单图一键生成 4D 物理动态，1 分钟出片！高斯大模型颠覆物理仿真。

北京理工大学与理想汽车联合提出PhysGM框架，突破物理仿真瓶颈：仅需单张图片+1分钟即可生成高保真4D动态视频。该CVPR2026成果采用双解码器架构，联合预测3D高斯表示与物理属性，通过物质点法快速仿真。创新性地引入DPO偏好优化替代传统SDS方法，并基于5万+标注样本的PhysAssets数据集训练。实验显示其生成速度（<1分钟）和物理真实性远超现有方法，可精确模拟多种材质特性与物体交互，为自动驾驶仿真、VR等领域提供新工具。相关代码与数据集已开源。

2026-04-12 20:48:18 1257

原创比肩顶尖闭源模型！京东开源240亿参数多模态模型JoyAI-Image：统一理解/生成/编辑，重塑AI图像编辑。

京东推出首个统一多模态图像模型JoyAI-Image，突破传统碎片化编辑痛点。该模型采用8BMLLM+16BMMDiT架构，实现理解-生成-编辑闭环协同，在空间推理、长文本渲染等方面达到顶尖水平。核心创新包括：支持物体移动/旋转/视角控制三类空间操作；通过多阶段训练解决文本失真问题；采用指令分解提升编辑精度。测试显示其空间理解准确率超越同类产品，文本生成质量提升32%，多视图误差降低41%。模型已全面开源，可应用于电商设计、机器人感知等领域。

2026-04-12 20:46:51 1484

原创 ICLR 2026 | AI赋能科研绘图！西湖大学开源学术插图生成框架AutoFigure-Edit，打破AI绘图僵局，一键生成论文可编辑插图，科研可视化“活”力全开。

西湖大学张岳实验室推出革命性科研绘图工具AutoFigure-Edit，实现了从文本到可编辑SVG插图的智能转换。该系统通过五阶段流水线，支持参考图引导风格迁移，生成完全可编辑的矢量图形。实验显示其生成效果显著优于现有方法，48%的用户认为可直接用于论文发表。这一突破性工具解决了科研绘图"生成不可编辑、编辑需重生成"的痛点，大幅提升了科研人员的工作效率。

2026-04-08 21:24:29 1991

原创亚马逊提出FlowFixer，商品图生成告别模糊Logo和错字，电商广告的“最后一公里”神器来了！

亚马逊与韩国大学联合推出FlowFixer模型，解决AI生成图像（AIGC）中Logo模糊、文字错乱等细节丢失问题。该模型采用"图像到图像"修复技术，在不改变整体构图的前提下，精准还原参考图的精细细节。通过创新的"一步去噪"自监督法生成训练数据，FlowFixer在FidelityBench-258K测试中平均K_Gain达77.3%，显著提升商业场景的可用性。研究不仅提供了系统解决方案，更启示了"图像-图像"指令和细粒度评估体系的重要性，为

2026-04-02 21:59:58 931

原创 AI 首次实现电影级多镜头长视频生成！快手&港中文开源ShotStream，可实现单NVIDIA GPU上可达16 FPS 互式故事讲述和高效即时帧生成。

快手可灵团队提出ShotStream框架，突破AI视频生成"单镜头"限制，实现多镜头长视频自动生成。该技术采用因果多镜头架构，通过双向教师模型蒸馏和双缓存机制，解决镜头间一致性与误差累积问题，在单GPU上达到16FPS实时生成。实验显示ShotStream在视觉一致性、提示跟随等方面优于基线模型，为交互式叙事开辟新可能。这项技术将视频AI从简单工具升级为创作伙伴，标志着AI视频生成正式迈向电影制作门槛。

2026-04-02 21:58:39 1054

原创 CVPR 2026 | 加州大学 × Adobe 联合发布 FaceCam：无4D数据训练下实现单视频精准相机控制，让短视频创作者轻松掌控“电影级”运镜。

加州大学与Adobe联合发布FaceCam系统，无需4D训练数据即可实现单视频精准相机控制。该系统通过尺度感知相机条件化方法，利用渲染的面部特征点表示目标相机轨迹，有效解决了传统方法中的尺度模糊问题。FaceCam采用多视角视频训练，通过合成相机运动和多镜头拼接策略，使模型能泛化处理连续相机轨迹。实验表明，该系统在相机可控性、视觉质量和身份保持等方面表现优异，为短视频创作者提供了"电影级"运镜能力。项目已开源代码和论文。

2026-04-02 21:56:58 958

原创中山大学 & LavieAI 提出 FastFit：3.5倍加速！让虚拟试衣实现“多、快、好、省”！

中山大学与LavieAI团队提出FastFit虚拟试衣框架，突破现有技术"慢"和"少"两大瓶颈。该技术基于创新的可缓存Diffusion架构，实现3.5倍速度提升，支持同时处理5类单品组合，完成全身造型搭配。团队还开源了首个多参考虚拟试衣数据集DressCode-MR。FastFit通过"一次计算，全程复用"的缓存机制，在保持SOTA生成质量的同时显著提升效率，为虚拟试衣技术应用开辟新路径。相关论文、代码、模型和数据集均已开源。

2026-04-02 21:55:04 728

原创 ComposeMe：可基于文本对多属性（单人&多人）多属性（身份、发型和服饰）随意组合和解耦控制。

《ComposeMe：基于属性解耦的可控人体图像生成模型》提出了一种创新方法，通过特定属性标记化和多属性交叉引用训练，实现对身份、发型、服饰等视觉属性的精细化独立控制。该模型突破现有方法局限，支持从不同参考图像分别提取各类属性，并注入预训练扩散模型，生成高保真且自然融合的个性化图像。两阶段训练策略（单参考训练+多属性交叉训练）有效解决传统方法中的复制粘贴伪影问题，在跨主体多属性组合场景下展现卓越性能。实验证明该方法在遵循视觉提示和文本指令方面达到最优水平，为模块化人体图像合成提供了新范式。

2025-10-08 21:44:53 1011

原创视频创作者福音！字节发布无遮罩视频插入技术OmniInsert：一键完成视频广告植入。

字节提出OmniInsert框架解决无遮罩视频插入三大挑战：数据稀缺、主体-场景平衡及插入协调。创新点包括：1)构建InsertPipe数据流水线自动生成多样化数据；2)设计条件特定特征注入机制和渐进式训练策略保持平衡；3)提出"插入偏好优化"增强协调性。实验表明，在新建的InsertBench基准测试中，OmniInsert性能优于现有商业方案，代码即将开源。该系统能实现任意参考主体的无缝视频插入，展现出色稳健性。

2025-10-08 21:33:22 9306

原创图像生成彻底告别AI味！腾讯开源图像模型SRPO，真实感和美学质量提高了 3 倍，直登 Hugging Face 趋势榜首！

腾讯开源SRPO算法突破AI生图技术瓶颈，直接登顶HuggingFace趋势榜。该研究创新性地提出"直接对齐"方法，通过噪声先验定义和插值恢复技术，有效解决多步降噪计算成本高的问题，同时引入语义相对偏好优化实现在线奖励调整。实验表明，SRPO仅需10分钟训练即可显著提升模型性能，在真实感和美学质量上达到3倍提升，且能避免奖励黑客攻击问题。该技术突破为AI生图"油腻"问题提供了解决方案，展现出在风格控制和快速微调方面的强大潜力。（150字）

2025-10-08 21:32:13 1230

原创开放指令编辑创新突破！小米开源 Lego-Edit 登顶 SOTA：用强化学习为 MLLM 编辑开辟全新赛道！

小米提出Lego-Edit框架，通过多模态大语言模型（MLLM）实现开放域图像编辑。其核心创新包含：1）模型级工具包，集成多种专用编辑模型和处理函数，支持细粒度操作组合；2）三阶段RL训练策略，利用开放域指令反馈增强模型泛化能力。实验表明，该方法在GEdit-Bench和ImgBench上性能最优，能解析复杂指令并动态协调工具，且支持零样本适应新工具。该框架突破了传统方法在跨领域泛化上的局限，为智能图像编辑提供了新思路。

2025-10-08 21:31:06 591

原创图像生成又快又好又便捷！港科大推出 InfGen：无需训练，即插即用，10秒生成8K超清图像，轻松搞定任意分辨率图像生成！

【摘要】港科大团队提出InfGen方法，通过固定潜在向量表征内容，结合一步生成器实现任意分辨率图像生成，无需重新训练扩散模型。该方法显著降低计算复杂度，将4K图像生成时间缩短至10秒内，支持即插即用式应用。实验表明InfGen能有效提升现有模型的高分辨率生成能力，在保持质量的同时实现快速推理（7.4秒生成4K图像），为超高分辨率图像生成提供了高效解决方案。论文及项目代码已公开。（98字）

2025-10-08 21:30:26 596

原创清华&字节开源HuMo: 打造多模态可控的人物视频，输入文字、图片、音频，生成电影级的视频，Demo、代码、模型、数据全开源。

清华大学与字节跳动联合提出HuMo框架，实现多模态控制的高质量真人视频生成。该框架支持文本、图像和音频输入，通过渐进式训练解决数据稀缺和模态协同难题，采用图像注入策略保持主体一致性，并创新音频-面部关联方法。实验显示HuMo在文本对齐、主题保留和音画同步方面超越现有技术，为短视频创作提供灵活可控的生成方案。

2025-10-08 21:29:13 1897

原创还在担心不会写提示词？腾讯混元提出PromptEnhancer，可自动进行提示词改写生成高保真且风格多样的图像。

腾讯推出基于混元模型的PromptEnhancer提示重写工具，通过优化用户输入提示来提升文本到图像生成质量。该工具采用两阶段训练框架：先通过监督微调初始化重写器，再结合强化学习进行策略优化，使用专用奖励模型AlignEvaluator提供24个维度的细粒度反馈。实验表明，该方法能显著改善图像与复杂提示的匹配度，支持多种艺术风格，且无需修改基础T2I模型权重。相关模型、代码和论文已开源。

2025-10-08 21:28:28 1029

原创美团提出统一多模态模型OneCAT，一键搞定视觉问答/图像编辑/文生图任务，性能表现SOTA。

美团推出OneCAT统一多模态模型，采用纯解码器Transformer架构，集成理解、生成和编辑功能。其创新模态混合专家结构无需外部组件，提升处理效率并支持动态分辨率。该模型率先实现多尺度视觉自回归机制，大幅减少解码步骤。实验表明，OneCAT在多项基准测试中超越现有开源模型，树立了多模态智能新标准。核心特点包括精简的解码器设计、三专家混合系统（文本理解/视觉理解/图像生成）以及创新的多尺度生成技术，使图像生成从粗到细逐步优化。

2025-10-08 21:27:45 846

原创 EchoMimic 系列再升级！EchoMimicV3：13亿参数，打造统一的多模态和多任务人体动画，开启人体动画新纪元。

EchoMimicV3创新突破人体动画研究瓶颈，提出统一多任务多模态的高效框架。该13亿参数模型通过三重创新设计：任务集范式（多任务掩码输入与反直觉分配策略）、模态集范式（耦合-解耦多模态交叉注意力模块）及新型训练推理策略（负向DPO优化与相位感知CFG），有效解决传统方法推理慢、计算成本高的问题。实验表明，其性能可媲美十倍规模模型，在保持高质量输出的同时显著提升效率，为人体动画研究开辟新方向。

2025-10-08 21:27:01 1261

原创视频重新照明新突破！北大&中科大&浙大等提出重照明方法Lumen：一句话让视频秒变电影级光影。

摘要：北京大学等机构联合提出的Lumen视频重照明框架，基于大规模视频生成模型，通过文本描述实现光照与背景的智能调整。针对高质量配对视频稀缺问题，研究团队构建了混合3D渲染与真实视频的大规模数据集，并采用领域感知适配器进行联合训练。实验表明，Lumen能生成前景保留完好、光照一致的电影级视频效果，在合成/真实场景中均优于现有方法。相关论文、模型及试用已开源发布。

2025-10-08 21:26:19 786

原创 AI音乐2.0时代已至！国产神器Mureka多项指标疯狂屠榜，中文效果全面超越Suno

国产AI音乐神器Mureka全面超越Suno，开启中文音乐创作新时代。基于自研MusiCoT大模型，Mureka不仅能精准生成符合中文语境的歌曲，还提供TTS语音合成、音色克隆等全功能音频创作。从音乐人到短视频博主，Mureka以"音乐合伙人"的角色，为各类创作者提供高效免版权素材，让AI音乐从"能用"升级为"好用"。

2025-10-08 21:25:33 2357

原创中山大学 & LavieAI 提出 FastFit：3.5倍加速！让虚拟试衣实现“多、快、好、省”！

中山大学与LavieAI团队提出FastFit虚拟试衣框架，突破现有技术"慢、少"瓶颈，实现多品类、高效率、高质量试穿。该方案采用创新可缓存U-Net架构，通过预计算和复用服装特征，将推理速度提升3.5倍，同时支持5类单品同时搭配。团队还开源了包含28,179套图像的大规模多参考数据集DressCode-MR。实验显示FastFit在各项指标上均达SOTA水平，能精准还原纹理图案，实现自然协调的全身搭配效果。

2025-10-08 21:24:21 1604

原创字节发布风格&主题优化定制模型 USO，任何场景+任意主题自由组合，高保真一致性输出，模型代码已开源。

字节跳动推出USO模型，统一风格与主题优化生成框架。该模型支持任意场景下的风格-主题组合，保持高度一致性与自然效果。通过两阶段训练（风格对齐与解耦）及奖励学习提升性能，USO在主题/风格驱动任务中达到新SOTA。项目已开源代码、模型及三元组数据集，并建立USO-Bench评估基准。实验证明其兼具主题一致性、风格保真和文本可控优势。

2025-09-29 21:26:00 492

原创 UIUC 提出视频虚拟试穿生成方法 Dress&Dance，可直接生成高质量的5 秒 24 帧 1152×720 分辨率的虚拟试穿视频。

UIUC团队提出Dress&Dance框架，这是一个创新的视频生成系统，支持多模态输入（文本/图像/视频）来控制虚拟试穿效果。该框架通过统一的CondNet调节网络处理不同输入模态，能生成1152×720高分辨率、24FPS的5秒试穿视频，精准保持服装细节和运动连贯性。实验表明其效果优于现有开源方案，在服装保真度和运动自然度方面媲美商业模型，并支持上下装同时试穿等复杂功能。该技术突破了传统视频试穿的局限，为虚拟时尚领域提供了高质量解决方案。

2025-09-29 21:25:00 734

原创 AI视频生成进入多镜头叙事时代！字节发布 Waver 1.：一句话生成 10 秒 1080p 多风格视频，创作轻松“一键”达！

字节推出Waver1.0通用生成模型，支持文本/图像到高清视频转换。该模型基于整流变压器架构，能同时处理T2V、I2V和T2I任务，支持1080p分辨率和2-10秒灵活时长。采用分级训练策略：先在低分辨率学习运动特征，再逐步提升至720p，配合级联精炼器实现高效1080p生成。在性能评测中位列前三，超越多数开源方案，媲美商业产品。创新点包括双流融合架构、提示标记技术和推理优化方法，显著提升生成质量和效率。

2025-09-29 21:23:21 1833

原创美团重磅开源 560B 大模型 LongCat-Flash-Chat，超越 DeepSeek v3.1、Qwen3，登顶 Agentic 新 SOTA ！

美团开源Agentic混合专家模型LongCat-Flash，在智能体任务中超越主流模型。该5600亿参数模型采用创新MoE架构，动态激活186-313亿参数，通过ScMoE设计实现高效计算。具备多阶段训练流程，专为智能体任务优化，推理速度显著提升。已上线Hugging Face并提供论文链接，适用于复杂智能体应用。

2025-09-29 21:22:16 703

原创 0.7 秒实现精准图像编辑！VAREdit 让 AI 图像编辑告别“拖沓与失控，代码模型已开源。

【AI图像编辑新突破】智象未来团队提出视觉自回归框架VAREdit，解决扩散模型在图像编辑中的两大痛点：通过自回归建模实现精准指令跟随（编辑准确率提升30%+），并优化推理速度（512x512图像编辑仅需1.2秒）。核心创新点包括：1）将编辑任务转化为多尺度特征预测问题；2）设计尺度对齐参考模块解决特征匹配难题。实验显示其性能超越主流扩散模型，在保持高质量的同时实现2.2倍加速。该研究为高效精准的图像编辑提供了新范式。

2025-09-29 21:21:19 903