每日论文

快手 Keye-VL 技术报告

LongAnimation：基于动态全局-局部记忆的长动画生成

任何条件下的 Depth Anything

视觉-语言-动作模型综述：动作标记化视角

FreeMorph：利用扩散模型进行免调优的通用图像变形

用于高效自回归图像生成的局部感知并行解码

μ^2Tokenizer：用于放射报告生成的可微多尺度多模态标记器

MARVIS: 模态自适应可视化推理

ARIG: 实时对话的自回归交互式头部生成

JAM-Flow：使用流匹配的联合音频-动作合成

答案匹配优于多项选择，用于语言模型评估

STR-Match: 匹配时空相关性分数，用于免训练视频编辑