阿里巴巴开源项目DreamTalk,能让人物头像栩栩如生地说话,支持多语言、歌曲、嘈杂音频匹配,开放更多开发者创新。
2023年,我们看到了扩散模型推理速度方面的一些重大理论改进,例如Song等人的原始一致性模型论文,以及最近的LCM。(另外,对抗扩散蒸馏。)我们已经开始看到使用这些想法的项目,例如Dan Wood的Art Spew(每秒77512×512图像,在单个4090上)、Modal的Turbo.art(基于SDXL Turbo) 和fal.ai的30fps脸部交换。
2. OpenAI将于上半年发布GPT-4.5。它将更好、更快、更便宜,但仍将基于GPT-4。
为了解决这个问题,HandRefiner提出了一种条件修补方法,可以在不改变图片其他部分的情况下,修正那些形状不正常的手部图像。
2、LLaVA、CogAgent和BakLLaVA是三种具有极大潜力的开源视觉语言模型。