Talker-T2AV：基于自回归扩散模型的音视频联合说话人生成
Talker-T2AV: Joint Talking Audio-Video Generation with Autoregressive Diffusion Modeling

Zhen Ye, Xu Tan, Aoxiong Yin, Hongzhan Lin, Guangyan Zhang, 等 (+6)
⭐ 1

• 本文提出Talker-T2AV，一个创新的自回归扩散框架，专门用于生成高度逼真的说话人头像。
• 该框架的核心思想是将高层级的跨模态推理与低层级的模态特定精化过程进行有效解耦，以优化复杂生成任务。
• 这种模块化的设计允许系统在处理不同模态（如音频和视频）时，能更精细地协调它们之间的关系。
• 实验结果表明，Talker-T2AV显著提升了生成说话人头像的唇形同步准确性，使其与输入音频更加匹配。
• 此外，该方法还大幅增强了生成音视频内容间的跨模态一致性，确保了整体的自然流畅度。

🔗 arXiv · 🤗 HF

#说话人合成 #音视频生成 #扩散模型 #自回归模型 #多模态

模拟检索器：用于模拟电路检索的跨模态表示学习
AnalogRetriever: Learning Cross-Modal Representations for Analog Circuit Retrieval

Yihan Wang, Lei Li, Yao Lai, Jing Wang, Yan Lu
⭐ 1

• AnalogRetriever是一个统一的三模态检索框架，旨在通过整合多种数据形式来增强模拟电路设计。
• 该框架能够将电路原理图、文本描述和网表结构编码到一个共享的嵌入空间中，实现高效的跨模态检索。
• 它利用视觉语言模型处理图像和文本数据，并结合图卷积网络来理解网表等结构化信息。
• 通过这种方式，AnalogRetriever为模拟电路的快速检索提供了强大支持，从而加速设计与开发流程。

🔗 arXiv · 🤗 HF

#模拟电路 #跨模态检索 #多模态学习 #图神经网络 #视觉语言模型

OceanPile：面向基础模型的大规模多模态海洋语料库
OceanPile: A Large-Scale Multimodal Ocean Corpus for Foundation Models

Yida Xue, Ningyu Zhang, Tingwei Wu, Zhe Ma, Daxiong Ji, 等 (+3)
⭐ 6

• OceanPile 是一个专为海洋科学构建的大规模多模态语料库，旨在为基础模型提供丰富的训练数据。
• 该项目结合了多种异构数据类型，覆盖了海洋领域的广阔信息。
• 它还特别包含一个由知识图谱引导的指令数据集，以增强模型理解和生成能力。
• 通过整合这些资源，OceanPile致力于显著推动海洋AI应用和研究的进步。

🔗 arXiv · 🤗 HF

#海洋科学 #多模态 #语料库 #基础模型 #知识图谱

多模态强化学习中基于黑盒同策略蒸馏的预对齐方法
Beyond SFT-to-RL: Pre-alignment via Black-Box On-Policy Distillation for Multimodal RL
⭐ 11 · arXiv · HF
#多模态大模型 #强化学习 #知识蒸馏 #预对齐 #复杂推理

X2SAM：统一图像与视频全能分割的多模态大模型
X2SAM: Any Segmentation in Images and Videos
⭐ 8 · arXiv · HF
#多模态大模型 #视频分割 #视觉提示 #时序一致性 #统一框架

统一多模态理解与生成模型中的空间智能唤醒
Awaking Spatial Intelligence in Unified Multimodal Understanding and Generation
⭐ 2 · arXiv · HF
#多模态大模型 #图像生成 #图像编辑 #空间智能 #扩散模型 #长文本渲染