浏览量：128
图片和视频的通用对象基础模型
GLEE 是一个针对图片和视频的通用对象基础模型，通过统一的框架实现了定位和识别图像和视频中的对象，并能应用于各种对象感知任务。GLEE 通过联合训练来自不同监督水平的各种数据源，形成通用的对象表示，在保持最先进性能的同时，能够有效地进行零样本迁移和泛化。它还具备良好的可扩展性和鲁棒性。
下一代视频和图像实时对象分割模型。
Meta Segment Anything Model 2 (SAM 2)是Meta公司开发的下一代模型，用于视频和图像中的实时、可提示的对象分割。它实现了最先进的性能，并且支持零样本泛化，即无需定制适配即可应用于之前未见过的视觉内容。SAM 2的发布遵循开放科学的方法，代码和模型权重在Apache 2.0许可下共享，SA-V数据集也在CC BY 4.0许可下共享。
智能视频对象分割技术
SAM是一个先进的视频对象分割模型，它结合了光学流动和RGB信息，能够发现并分割视频中的移动对象。该模型在单对象和多对象基准测试中均取得了显著的性能提升，同时保持了对象的身份一致性。
AI 图像擦除器，轻松删除照片中不需要的人、物体、文字和水印。
AI 图像擦除器是一款基于人工智能技术的工具，能够快速、简单地从照片中删除不需要的内容，提高照片的整体质量。该工具操作简便，免费使用，适用于个人和专业用户。
AI内容替换框架，保留对象身份
ReplaceAnything是一款基于AI的框架，可用于生成新内容并保持用户指定对象的身份。它适用于各种场景，如人物替换、服装替换和背景替换。该框架利用人工智能技术，可以精确地识别和替换图像中的对象，同时保持对象的身份不变。ReplaceAnything具有高度的灵活性和准确性，可以广泛应用于图像处理领域。
最新的图像上色算法
DDColor 是最新的图像上色算法，输入一张黑白图像，返回上色处理后的彩色图像，并能够实现自然生动的上色效果。 该模型为黑白图像上色模型，输入一张黑白图像，实现端到端的全图上色，返回上色处理后的彩色图像。 模型期望使用方式和适用范围： 该模型适用于多种格式的图像输入，给定黑白图像，生成上色后的彩色图像；给定彩色图像，将自动提取灰度通道作为输入，生成重上色的图像。
全球音频感知技术的革命性AI唇同步技术。
LIP Sync AI是一项革命性的AI技术，利用全球音频感知引擎将静态照片转换为栩栩如生的会话视频。其主要优点在于高效、现实的生成效果，使得照片具有完美唇部同步。该产品定位于为用户提供高质量的唇同步视频生成服务。
体验革命性的FLUX Kontext AI图像生成和编辑，利用具有上下文感知的技术创建、修改和增强图像。
Kontext AI的FLUX Kontext是一项具有上下文感知能力的技术，可用于图像生成和编辑。其主要优点包括快速、准确的生成和编辑图像，支持复杂的编辑工作流程，结合了传统文本到图像模型和流式生成建模。
基于感知损失的扩散模型
该论文介绍了一种基于感知损失的扩散模型，通过将感知损失直接纳入扩散训练中来提高样本质量。对于有条件生成，该方法仅改善样本质量而不会影响条件输入，因此不会牺牲样本多样性。对于无条件生成，这种方法也能提高样本质量。论文详细介绍了方法的原理和实验结果。
使用简单的提示和图像生成视频片段。
Adobe Firefly 是一款基于人工智能技术的视频生成工具。它能够根据用户提供的简单提示或图像快速生成高质量的视频片段。该技术利用先进的 AI 算法，通过对大量视频数据的学习和分析，实现自动化的视频创作。其主要优点包括操作简单、生成速度快、视频质量高。Adobe Firefly 面向创意工作者、视频制作者以及需要快速生成视频内容的用户，提供高效、便捷的视频创作解决方案。目前该产品处于 Beta 测试阶段，用户可以免费使用，未来可能会根据市场需求和产品发展进行定价和定位。
一个统一的用于图像和视频对象分割的模型
UniRef是一个统一的用于图像和视频参考对象分割的模型。它支持语义参考图像分割(RIS)、少样本分割(FSS)、语义参考视频对象分割(RVOS)和视频对象分割(VOS)等多种任务。UniRef的核心是UniFusion模块,它可以高效地将各种参考信息注入到基础网络中。 UniRef可以作为SAM等基础模型的插件组件使用。UniRef提供了在多个基准数据集上训练好的模型,同时也开源了代码以供研究使用。
SIGNeRF - 快速、可控的NeRF场景编辑和场景集成对象生成
SIGNeRF是一种用于快速和可控的NeRF场景编辑以及场景集成对象生成的新方法。它引入了一种新的生成更新策略，确保在编辑图像时保持3D一致性，而无需进行迭代优化。SIGNeRF利用了ControlNet的深度条件图像扩散模型的优势，通过几个简单的步骤在单个前向传递中编辑现有的NeRF场景。它可以生成新的对象到现有的NeRF场景中，也可以编辑已存在的对象，从而实现对场景的精确控制。
ActAnywhere是一个主体感知视频背景生成模型。
ActAnywhere是一个用于自动生成与前景主体运动和外观相符的视频背景的生成模型。该任务涉及合成与前景主体运动和外观相一致的背景,同时也符合艺术家的创作意图。ActAnywhere利用大规模视频扩散模型的力量,并专门定制用于此任务。ActAnywhere以一系列前景主体分割作为输入,以描述所需场景的图像作为条件,生成与条件帧相一致的连贯视频,同时实现现实的前景和背景交互。该模型在大规模人机交互视频数据集上进行训练。大量评估表明该模型的性能明显优于基准,可以泛化到各种分布样本,包括非人类主体。
视频到视频，图像增强和升级
GoEnhance AI 是一个视频到视频、图像增强和升级的平台。它可以将您的视频转换为多种不同风格的动画，包括像素和扁平动漫。通过 AI 技术，它能够将图像增强并升级到极致的细节。无论是个人创作还是商业应用，GoEnhance AI 都能为您提供强大的图像和视频编辑工具。
快速准确提取视频中的文字
AIbase视频提取文字工具是一个利用人工智能和机器学习技术，为用户提供快速、准确的视频文字转录服务。它优化了文字排版，使得转录内容易于理解且忠实于原视频。作为一项基础服务，该工具完全免费，无需安装、下载或付费订阅，极大地方便了创意人员的视频内容处理工作。
一键生成视频字幕
VAS 视频加字幕是一款强大且高效的工具，能够使用 AI 提取音频对话内容后翻译、生成字幕文件。它支持 ChatGPT 翻译、GPU 加速、多任务处理、VR 视频、字幕微调、超多语种、实时预览、断点续传等功能。用户只需上传视频，选择语言，即可一键生成字幕。VAS 视频加字幕适用于个人用户、视频制作人、教育机构、企业等多种场景。
通过改进的传播和 Transformer 进行视频修复
ProPainter 是一个用于视频修复的先进模型。它结合了增强的传播和 Transformer 机制，能够快速高效地进行视频修复、对象去除、水印去除等任务。ProPainter 通过双域传播和稀疏 Transformer 来提升性能和效率，能够在保持良好效果的同时大幅提升 PSNR 值 1.46 dB。该模型适用于广泛的视频修复场景，定价灵活合理。
用AI重新定义视频创作，从文字到视频，让创作变得简单。
海螺视频App是一款基于AI技术的视频创作工具，用户可以通过文字描述或上传图片快速生成视频。该产品利用AI技术降低了视频创作的门槛，使创作变得简单高效。适合创意表达、生活记录等多种场景，具有便捷性和高效性。产品目前主要面向移动端用户，提供App Store和安卓应用商店的下载选项。
轻量快速频率感知扩散声码器
FreGrad是一款轻量快速的频率感知扩散声码器，旨在生成逼真的音频。其框架包括离散小波变换、频率感知扩张卷积和一系列增强模型生成质量的技巧。在实验中，FreGrad相比基准模型，训练速度提升3.7倍，推理速度提升2.2倍，同时模型大小减少0.6倍（仅178万参数），而不牺牲输出质量。
去除照片中的不需要的对象，轻松获得干净的照片
Pixelcut的免费在线Magic Eraser工具允许您快速去除照片中的任何不需要的对象，以秒级的速度获得干净的照片。无需技术知识，只需上传照片，刷掉不需要的对象，即可获得清晰、美观的照片。Magic Eraser还可以用于去除照片中的文字、人物、瑕疵等。该工具适用于个人用户、摄影爱好者、社交媒体用户等各种场景。Pixelcut的Magic Eraser已经被1500万用户信任，可在iPhone和Android设备上使用。
灵感激发与视频创作平台
跃问视频是一个集灵感激发与视频创作于一体的平台，它通过提供丰富的视觉和创意内容，帮助用户激发创意并创作出独特的视频。该平台以其独特的美学风格和高效的视频生成技术为主要优点，尤其在中国风题材上表现出色。跃问视频的背景信息显示，它是由阶跃星辰公司推出的，该公司在多模态能力方面遥遥领先，提供了从文本到视频的生成技术。产品定位于中高端市场，以其高质量的视频生成和优化服务吸引用户。
JoyGen 是一种音频驱动的 3D 深度感知的说话人脸视频编辑技术。
JoyGen 是一种创新的音频驱动 3D 深度感知说话人脸视频生成技术。它通过音频驱动唇部动作生成和视觉外观合成，解决了传统技术中唇部与音频不同步和视觉质量差的问题。该技术在多语言环境下表现出色，尤其针对中文语境进行了优化。其主要优点包括高精度的唇音同步、高质量的视觉效果以及对多语言的支持。该技术适用于视频编辑、虚拟主播、动画制作等领域，具有广泛的应用前景。
利用AI技术，将文字和图像转化为创意视频。
通义万相AI创意作画是一款利用人工智能技术，将用户的文字描述或图像转化为视频内容的产品。它通过先进的AI算法，能够理解用户的创意意图，自动生成具有艺术感的视频。该产品不仅能够提升内容创作的效率，还能激发用户的创造力，适用于广告、教育、娱乐等多个领域。
AI驱动的视频生成工具，一键生成高质量营销视频
小视频宝（ClipTurbo）是一个AI驱动的视频生成工具，旨在帮助用户轻松创建高质量的营销视频。该工具利用AI技术处理文案、翻译、图标匹配和TTS语音合成，最终使用manim渲染视频，避免了纯生成式AI被平台限流的问题。小视频宝支持多种模板，用户可以根据需要选择分辨率、帧率、宽高比或屏幕方向，模板将自动适配。此外，它还支持多种语音服务，包括内置的EdgeTTS语音。目前，小视频宝仍处于早期开发阶段，仅提供给三花AI的注册用户。
基于HunyuanVideo的视频生成工具，支持图像到视频的转换
ComfyUI-HunyuanVideoWrapper-IP2V是一个基于HunyuanVideo的视频生成工具，它允许用户通过图像提示生成视频（IP2V），即利用图像作为生成视频的条件，提取图像的概念和风格。这项技术主要优点在于能够将图像的风格和内容融入视频生成过程中，而不仅仅是作为视频的第一帧。产品背景信息显示，该工具目前处于实验阶段，但已经可以工作，且对VRAM有较高要求，至少需要20GB。
一种基于图像到视频扩散模型的视频编辑技术
I2VEdit是一种创新的视频编辑技术，通过预训练的图像到视频模型，将单一帧的编辑扩展到整个视频。这项技术能够适应性地保持源视频的视觉和运动完整性，并有效处理全局编辑、局部编辑以及适度的形状变化，这是现有方法所不能实现的。I2VEdit的核心包括两个主要过程：粗略运动提取和外观细化，通过粗粒度注意力匹配进行精确调整。此外，还引入了跳过间隔策略，以减轻多个视频片段自动回归生成过程中的质量下降。实验结果表明，I2VEdit在细粒度视频编辑方面的优越性能，证明了其能够产生高质量、时间一致的输出。
细粒度对象切割工具，用于精确编辑图像。
finegrain-object-cutter 是一个基于Hugging Face Spaces平台的图像编辑工具，它利用先进的机器学习技术来实现对图像中对象的细粒度切割。该工具的主要优点在于其高精度和易用性，用户可以通过简单的操作来实现复杂的图像编辑任务。它特别适合需要对图像进行精细处理的设计师和开发者，可以广泛应用于图像编辑、增强现实、虚拟现实等领域。
© 2025 AIbase 备案号：闽ICP备08105208号-14