产品库

一种基于潜在扩散模型的自监督层次化化妆迁移技术

SHMT是一种自监督的层次化化妆迁移技术，通过潜在扩散模型实现。该技术能够在不需要显式标注的情况下，将一种面部妆容自然地迁移到另一种面部上。其主要优点在于能够处理复杂的面部特征和表情变化，提供高质量的迁移效果。该技术在NeurIPS 2024上被接受，展示了其在图像处理领域的创新性和实用性。

自监督学习框架，用于音视觉语音处理

AV-HuBERT是一个自监督表示学习框架，专门用于音视觉语音处理。它在LRS3音视觉语音基准测试中实现了最先进的唇读、自动语音识别（ASR）和音视觉语音识别结果。该框架通过掩蔽多模态聚类预测来学习音视觉语音表示，并且提供了鲁棒的自监督音视觉语音识别。

一种自监督的视听特征对齐模型。

DenseAV是一种新颖的双编码器定位架构，通过观看视频学习高分辨率、语义有意义的视听对齐特征。它能够无需明确定位监督即可发现单词的“意义”和声音的“位置”，并且自动发现并区分这两种关联类型。DenseAV的定位能力来自于一种新的多头特征聚合操作符，它直接比较密集的图像和音频表示进行对比学习。此外，DenseAV在语义分割任务上显著超越了先前的艺术水平，并且在使用参数少于一半的情况下，在跨模态检索上超越了ImageBind。

构建无代码监督学习模型

Supervised AI是一个无代码AI开发平台，可帮助用户构建监督学习模型。利用OpenAI的GPT引擎，结合用户的数据，构建高准确性的AI模型。用户可以使用Supervised API将AI模型集成到任何地方。

DINOv2: 无监督学习的稳健视觉特征

DINOv2 是一种无监督学习的自我监督学习方法，可以生成高性能的视觉特征，适用于计算机视觉任务。它不需要微调，具有稳健性和跨领域性能。

自监督触觉表示，用于基于视觉的触觉传感。

Sparsh是一系列通过自监督算法（如MAE、DINO和JEPA）训练的通用触觉表示。它能够为DIGIT、Gelsight'17和Gelsight Mini生成有用的表示，并在TacBench提出的下游任务中大幅度超越端到端模型，同时能够为新下游任务的数据高效训练提供支持。Sparsh项目包含PyTorch实现、预训练模型和与Sparsh一起发布的数据集。

学习模型间字符串关系，检查视觉世界

这篇论文系统评估了大型语言模型（LLMs）生成和识别逐渐复杂的视觉概念的能力，并展示了如何使用文本模型训练初步的视觉表示学习系统。虽然语言模型不能直接处理像素级的视觉信息，但使用代码表示图像进行研究。LLM 生成的图像虽然不像自然图像，但在图像生成和纠正方面的结果表明，准确建模字符串可以教会语言模型许多关于视觉世界的方面。此外，利用文本模型生成的图像进行自监督视觉表示学习的实验，突出了只使用 LLMs 就能训练能够对自然图像进行语义评估的视觉模型的潜力。

1.58-bit量化的先进文本到图像生成模型

1.58-bit FLUX是一种先进的文本到图像生成模型，通过使用1.58位权重（即{-1, 0, +1}中的值）来量化FLUX.1-dev模型，同时保持生成1024x1024图像的可比性能。该方法无需访问图像数据，完全依赖于FLUX.1-dev模型的自监督。此外，开发了一种定制的内核，优化了1.58位操作，实现了模型存储减少7.7倍，推理内存减少5.1倍，并改善了推理延迟。在GenEval和T2I Compbench基准测试中的广泛评估表明，1.58-bit FLUX在保持生成质量的同时显著提高了计算效率。

Miqu 1-70b是一个开源的大规模语言模型

Miqu 1-70b是一个开源大规模语言模型,采用了新颖的自我监督学习方法,可以处理各种自然语言任务。该模型参数量达170亿,支持多种prompt格式,可fine-tuning生成高质量的文本。其强大的理解和生成能力,使其可广泛应用于聊天机器人、文本摘要、问答系统等领域。

零样本图像编辑，一键模仿参考图像风格

MimicBrush是一种创新的图像编辑模型，它允许用户通过指定源图像中的编辑区域和提供一张野外参考图像来实现零样本图像编辑。该模型能够自动捕捉两者之间的语义对应关系，并一次性完成编辑。MimicBrush的开发基于扩散先验，通过自监督学习捕捉不同图像间的语义关系，实验证明其在多种测试案例下的有效性及优越性。

基于DIT模型自注意力能力的单概念迁移研究

Comfyui_Object_Migration是一个实验性项目，专注于Stable Diffusion (SD)模型。该项目通过使用DIT模型的自注意力能力，实现了在单次生成的图像中，同一对象或角色保持高度一致性。项目通过简化预处理逻辑，开发出了一种高效的迁移方法，能够引导模型关注所需内容，提供惊人的一致性。目前已开发出适用于服装的迁移模型，能够实现卡通服装到现实风格或现实服装到卡通风格的迁移，并通过权重控制激发设计创造力。

图像材质迁移技术

ZeST是由牛津大学、Stability AI 和 MIT CSAIL 研究团队共同开发的图像材质迁移技术，它能够在无需任何先前训练的情况下，实现从一张图像到另一张图像中对象的材质迁移。ZeST支持单一材质的迁移，并能处理单一图像中的多重材质编辑，用户可以轻松地将一种材质应用到图像中的多个对象上。此外，ZeST还支持在设备上快速处理图像，摆脱了对云计算或服务器端处理的依赖，大大提高了效率。

人工智能虚拟化妆师,提供深色皮肤遮瑕产品的色号智能匹配服务。

roboMUA是一家人工智能美妆技术公司,我们为不同肤色的消费者提供智能虚拟化妆师服务,能够根据用户肤色快速匹配遮瑕产品的色号。我们的技术核心是自主研发的计算机视觉和深度学习算法,能够分析理解不同肤色特征,给出最佳的遮瑕产品推荐。roboMUA致力于解决深色肤色群体购买美妆产品色号匹配困难的痛点,让更多的消费者能够轻松找到适合自己的美妆产品。我们与多家知名美妆品牌合作,将技术应用于不同品牌的遮瑕产品推荐。用户只需要上传一张自拍照片,roboMUA就能在秒级内分析肤色,给出最佳色号匹配。我们的服务覆盖了从白到黑100多个肤色群体,匹配精度超过85%。

文本到图像生成中保持内容的样式迁移

InstantStyle-Plus 是一种先进的图像生成模型，专注于在文本到图像的生成过程中实现样式迁移，同时保持原始内容的完整性。它通过分解风格迁移任务为风格注入、空间结构保持和语义内容保持三个子任务，利用InstantStyle框架，以一种高效、轻量的方式实现风格注入。该模型通过反转内容潜在噪声和使用Tile ControlNet来保持空间构图，并通过全局语义适配器增强语义内容的保真度。此外，还使用风格提取器作为鉴别器，提供额外的风格指导。InstantStyle-Plus 的主要优点在于它能够在不牺牲内容完整性的前提下，实现风格与内容的和谐统一。

视频编辑中的手-物交互意识

HOI-Swap是一个基于扩散模型的视频编辑框架，专注于处理视频编辑中手与物体交互的复杂性。该模型通过自监督训练，能够在单帧中实现物体交换，并学习根据物体属性变化调整手的交互模式，如手的抓握方式。第二阶段将单帧编辑扩展到整个视频序列，通过运动对齐和视频生成，实现高质量的视频编辑。

将静态肖像和输入音频转化为生动的动画对话视频

AniTalker是一个创新的框架，它能够从单一的肖像生成逼真的对话面部动画。它通过两个自监督学习策略增强了动作表现力，同时通过度量学习开发了一个身份编码器，有效减少了对标记数据的需求。AniTalker不仅能够创建详细且逼真的面部动作，还强调了其在现实世界应用中制作动态头像的潜力。

快速神经风格迁移的ComfyUI节点

ComfyUI-Fast-Style-Transfer是一个基于PyTorch框架开发的快速神经风格迁移插件，它允许用户通过简单的操作实现图像的风格转换。该插件基于fast-neural-style-pytorch项目，目前只移植了基础的推理功能。用户可以自定义风格，通过训练自己的模型来实现独特的风格迁移效果。

AI图像处理工具

dioptify是一个AI图像处理工具，提供自动、免费的去噪、超分辨率、神经风格迁移、HDR等功能。它可以帮助用户提升图像质量，拓展创作可能性。

视频到声音的同步生成系统

Video-Foley是一个创新的视频到声音生成系统，它通过使用均方根(RMS)作为时间事件条件，结合语义音色提示（音频或文本），实现高控制性和同步性的视频声音合成。该系统采用无需标注的自监督学习框架，包括Video2RMS和RMS2Sound两个阶段，结合了RMS离散化和RMS-ControlNet等新颖概念，与预训练的文本到音频模型相结合。Video-Foley在声音时间、强度、音色和细节的音视频对齐和控制性方面达到了最先进的性能。

多模态自回归模型，擅长文本生成图像

Lumina-mGPT是一个多模态自回归模型家族，能够执行各种视觉和语言任务，特别是在从文本描述生成灵活的逼真图像方面表现突出。该模型基于xllmx模块实现，支持以LLM为中心的多模态任务，适用于深度探索和快速熟悉模型能力。

自回归模型在可扩展图像生成领域的新突破

LlamaGen是一个新的图像生成模型家族，它将大型语言模型的原始下一个token预测范式应用于视觉生成领域。该模型通过适当的扩展，无需对视觉信号的归纳偏差即可实现最先进的图像生成性能。LlamaGen重新审视了图像分词器的设计空间、图像生成模型的可扩展性属性以及它们的训练数据质量。

免费检查化妆品批号及有效日期，确保化妆品保持新鲜安全。

COSR.AI是一款用于检查化妆品生产日期和有效期的免费批号检查工具。用户只需输入品牌和批号，即可查看制造日期、保质期和到期日期等详细信息。

图像处理与存储

Cloudinary是一款图像处理与存储产品，提供丰富的功能和优势。它可以进行图像填充、移除、替换、重新上色、恢复以及图像字幕生成等操作。Cloudinary定价灵活，适用于各种不同的用户需求。它主要用于图像处理和存储，可以帮助用户优化图像，提升网站性能。

一种用于零样本定制图像生成的扩散自蒸馏技术

Diffusion Self-Distillation是一种基于扩散模型的自蒸馏技术，用于零样本定制图像生成。该技术允许艺术家和用户在没有大量配对数据的情况下，通过预训练的文本到图像的模型生成自己的数据集，进而微调模型以实现文本和图像条件的图像到图像任务。这种方法在保持身份生成任务的性能上超越了现有的零样本方法，并能与每个实例的调优技术相媲美，无需测试时优化。

视听源分离系统

PixelPlayer是一个能够通过观看大量无标注视频学会定位产生声音的图像区域并分离输入声音成一组表示每个像素声音的组件的系统。我们的方法利用视觉和听觉双模态的自然同步特点,在不需要额外人工标注的情况下学习联合解析声音和图像的模型。该系统使用大量包含不同乐器组合独奏和二重奏演奏的训练视频进行训练。对每个视频没有提供出现了哪些乐器、它们在哪里以及它们是什么声音的监督。在测试阶段,系统的输入是一个展示不同乐器演奏的视频和单声道听觉输入。系统执行音频视觉源分离和定位,将输入声音信号分离成N个声音通道,每个通道对应不同的乐器类别。此外,系统可以定位声音并为输入视频中的每个像素分配不同的音频波形。

自托管的开源OpenAI替代品，支持文本、音频、图像生成

LocalAI 是一个自托管的开源 OpenAI 替代品，可在消费级硬件上运行，支持本地或本地部署的文本、音频、图像生成。它提供了 GPT 等模型的文本生成功能，同时支持文本转语音、图像生成等多种功能。由于其开源自托管的特性，用户可以自由定制和部署，不受云端 API 限制，适合对数据隐私和安全性有要求的用户。LocalAI 的定位是为那些寻求自主控制、不依赖于第三方服务的个人用户或组织提供强大的 AI 生成能力。

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。

AI能量激活，召唤自虚空的免费可用图像。

GhostlyStock是一款创新的图像平台，利用人工智能技术提供免费可用的图像资源。我们通过AI能量激活虚空中的图像，为用户提供高质量、多样化的图片选择。GhostlyStock的功能包括：1. 提供免费可用的图像资源；2. 图像库更新频繁，保证用户获取最新的图片；3. 图像质量高，满足用户的各种需求；4. AI技术保证图像搜索的准确性和高效性。GhostlyStock的定价灵活，用户可以根据自己的需求选择适合的套餐。无论是个人用户还是商业用户，GhostlyStock都能满足您的图像需求。

AI智能图像处理工具

Skyglass是一款AI智能图像处理工具，提供图像识别、图像增强、图像分割等功能，帮助用户快速优化和处理图像，提高工作效率。定价灵活，适用于个人用户和企业用户，定位于提供高效、简单易用的图像处理解决方案。