来源：Deepvisionary 原文链接：https://mp.weixin.qq.com/s/1bJKvSqYA6DsCElE6c-ICQ 生成式 AI 行业有一个公开的秘密:它最赚钱的应用,恰恰是最烧钱的应用。视频生成模型每生成一秒画面,背后都是几十上百次扩散去噪迭代;商用视频生成 API 的毛利,很大一部分被推理电费吃掉了。 2026 年 7 月 9 日,阿里云与上海交大在 ECCV...

来源：我爱计算机视觉 原文链接：https://mp.weixin.qq.com/s/3xekNy_ObCYtS2-mFkos1g 扩散Transformer（Diffusion Transformers, DiT）如今已成为高保真视觉生成领域的黄金标准，像广为人知的 FLUX.1 和 HunyuanVideo 等模型，其生成效果确实令人惊叹。然而，这种惊艳效果的背后，是极其高昂的推理延迟—...

今天，距离 ECCV 2026 在瑞典马尔默开幕只剩 12 天，会前预热迎来最重磅的一天：官方完整议程首次揭晓，图灵奖得主 Yann LeCun 携手自动驾驶与世界模型领域的两位顶尖学者压轴 Keynote；与此同时，中国团队带来仅 71M 参数的实时人像“全能模型”，CMU 则拿出能一键修复 3D 渲染瑕疵的通用视频模型。这些进展不仅勾勒出本届大会“世界模型 + 自动驾驶 + 轻量实时生成...

来源：量子位 原文链接：https://mp.weixin.qq.com/s/zF8fzbPUgIXTTC4Inh7dhA 给图像生成模型一张人物参考图，它大概率能抓住身份特征。 再给一张背景图，它也许还能把人放进去。 但如果一次给它5张、6张甚至7张不同类型的参考图：一个人物、一张背景、一种姿势、一种光照、一个风格，还要求它把这些信息组合成一张自然、统一、符合指令的新图呢？ 问题就开始出现...

来源：机器之心 原文链接：https://mp.weixin.qq.com/s/Oj5TXFn_g9z1pRXJUyjOPg 当听到「把双手举过头顶，然后向前走」，人可以在脑中补出一整段动作；当看到一段无声的人体轨迹，也能判断人物是在行走、转身还是踉跄。连续运动既可以被语言描述，也可以作为生成、预测和编辑的条件。 今天的多模态大模型已经能够理解和生成文本、图像，却很少把「人怎样连续运动」作为...

来源：BUPT老张 原文链接：https://mp.weixin.qq.com/s/0lzNPWq7eAR-YnEocyNjyA?scene=1 近日，团队张跃老师指导、参与的 2 篇论文被 ECCV 2026 接收。ECCV 是与 CVPR、ICCV 并称的计算机视觉三大会议，将于 2026 年 9 月 在瑞典马尔默举办。 论文一（S-GRACE）聚焦文生图大模型编辑：让 AI 精准彻底地...

来源：高德地图 原文链接：https://mp.weixin.qq.com/s/RbjfT1V632UQwraqHspU7w?scene=1&click_id=630311600 大会介绍ECCV（European Conference on Computer Vision，欧洲计算机视觉国际会议）是计算机视觉领域重要的顶级国际学术会议之一，与CVPR、ICCV并称计算机视觉三大会议...

来源：林叔说事 原文链接：https://mp.weixin.qq.com/s/dF_niCtYfqjwld2AKRJwVw 拿起手机，对着你的房间随手录一段10秒钟的视频。 几分钟后，屏幕里出现了一个活生生的三维物理世界，原先的像素录像成了可以交互的场景。 桌子、椅子、花盆、甚至一只正在扑腾翅膀的鹦鹉，全都被拆解成了独立的实体网格。 你可以把一台虚拟机械臂丢进去：推一把花盆，花盆会顺着桌面...

来源：机器之心 原文链接：https://mp.weixin.qq.com/s/HT6AMtSUoKPSpEKI2TLy5Q 文本指令驱动的视频编辑技术正在从离线内容生产走向直播特效、视频会议和增强现实等在线交互场景。 然而，高质量的视频扩散模型的通常依赖于对完整视频进行双向时空注意力处理，即模型需要等待未来帧到齐，再对整段视频进行联合处理。这种范式能够获得较好的编辑结果，却难以满足低延迟、...

来源：公众号HKBU计算机系 原文链接：https://mp.weixin.qq.com/s/jPIQO5Xuo1pvZ_xWOk6rcw?scene=1 香港浸会大学计算机系博士生宋奇、博士后研究员罗梓源、博士生韩昊亮与导师万人杰教授的最新研究成果 “Generating Multi-view Adversarial Examples for Visual Geometry Grounde...