视觉大模型

【Vision人工智能设计】Wan（万相）内容创作平台与能力⚡⚡⚡ 新年新文⚡⚡⚡万相网址：https://tongyi.aliyun.com/wan/explore

【Vision人工智能设计】ComfyUI 基础文生图设计⚡⚡⚡ 新年新文⚡⚡⚡本文主要内容是在 ComfyUI 中构建文本生成图像（文生图）工作流的方法，并学习如何通过提示词（Prompt）控制生成图像的风格；如何在 ComfyUI 中将生成的图片高清放大；如何运用模板设计结合 ComfyUI 生成精美海报；ComfyUI 工作流中 LoRA 风格化小模型的使用。

【Vision人工智能设计】ComfyUI 基础图生图设计⚡⚡⚡ 新年新文⚡⚡⚡本节通过加载图像节点与VAE编码节点实现图像风格转换，重点讲解如何将文生图工作流改造为图生图流程。内容包括添加图像加载节点、配置VAE编码器，以及使用Image Resize节点调整输出尺寸。解析降噪参数的调节方法，以0.75–0.8的典型范围为例，说明如何在保留原图特征与生成新风格之间取得平衡，掌握将真实照片转化为 3D CG 风格图像的核心技术。

【点云分割】SNAP:面向任意点云的任意分割标题：《SNAP: Towards Segmenting Anything in Any Point Cloud》项目：https://neu-vi.github.io/SNAP/ 来源：东北大学；The Mathworks

【三维生成】ShapeR：单目视频的条件三维形状生成标题：《ShapeR: Robust Conditional 3D Shape Generation from Casual Captures》项目：facebookresearch.github.io/ShapeR 来源：Meta Reality Labs Research；Simon Fraser University

昵称是6硬币

SAM3D论文精读（逐段解析）论文地址：https://arxiv.org/abs/2511.166242025Meta 超级智能实验室

昵称是6硬币

MobileSAM论文精读（逐段解析）faster segment anything: towards lightweight sam for mobile applications

昵称是6硬币

MobileSAMv2论文精读（逐段解析）论文地址：https://arxiv.org/abs/2312.09579官仓地址：https://github.com/ChaoningZhang/MobileSAM

【无标题】VGGT4D：用于4D场景重建的视觉Transformer运动线索挖掘标题：《VGGT4D: Mining Motion Cues in Visual Geometry Transformers for 4D Scene Reconstruction》项目：https://3dagentworld.github. io/vggt4d/ 来源：香港科技大学（广州）2Horizon Robotics

昵称是6硬币

SAM3论文精读（逐段解析）论文地址：https://arxiv.org/abs/2511.167192025Meta 超级智能实验室

【multi-model】DINOv2（包含iBOT）& 问答一、DINOv2 1、数据集： LVD-142M数据集，由公开数据集和网络数据集组成，数据集经过PCA哈希去重，NSFW过滤和人脸模糊，整合汇总之后生成1.2亿的数据集； 2、DINOv2的去重方式叫copy detection pipeline（SSCD） ①自去重：去除数据内部冗余第一步：特征提取，提取图片的特征向量第二步：计算余弦相似度，计算每张图片最相近的k=64张图片第三步：只保留相似度大于0.6的近邻对第四步：并查集算法将相似数据连接在一起，形成一个连通分量，每个连通分量只保留一张图片

构建AI智能体：九十五、YOLO视觉大模型入门指南：从零开始掌握目标检测AI大模型蓬勃发展，计算机视觉作为AI领域的重要分支，也正加速在改变着我们的生活。从自动驾驶汽车的环境感知到医疗影像的智能诊断，从智能安防的人脸识别到工业生产的质量检测，计算机视觉技术已经深入到我们生活的方方面面。而在众多视觉技术中，目标检测作为计算机视觉的基础任务之一，更是发挥着至关重要的作用。

构建AI智能体：九十六、基于YOLO的智能生活助手：食材识别、植物健康与宠物行为分析在人工智能技术日益普及的今天，计算机视觉正以前所未有的方式改变着我们的日常生活。YOLO作为先进的目标检测算法，以其快速和精准的特性，成为了实现智能视觉应用的得力工具。今天我们将通过四个贴近生活的趣味场景——智能厨房助手、植物健康监测、智能衣橱管理和宠物行为分析，一起领略YOLO技术的魅力。

【动态高斯重建】论文集合：从4DGT到OMG4、4DSioMo标题：4DGT: Learning a 4D Gaussian Transformer Using Real-World Monocular Videos 来源：Meta 现实实验室；浙江大学项目主页：https://4dgt.github.io

【视频生成】GVS：生成式视图拼接标题：GENERATIVE VIEW STITCHING 来源：MIT CSAIL ；RunwayML 项目：https://andrewsonga.github.io/gvs

【无标题】SceneSplat：基于视觉-语言预训练的3DGS场景理解标题：<SceneSplat: Gaussian Splatting-based Scene Understanding with Vision-Language Pretraining> 来源：阿姆斯特丹大学计算机视觉实验室、苏黎世联邦理工学院、索菲亚大学圣克利门特·奥赫里德斯基学院、南京航空航天大学、比萨大学、特伦托大学主页：https://github.com/unique1i/SceneSplat

【三维重建】3R-GS：优化相机位姿的3DGS最佳实践标题：<3R-GS: Best Practice in Optimizing Camera Poses Along with 3DGS> 来源：德州农工大学，2香港大学，3香港科技大学主页：https://zsh523.github.io/3R-GS/

【无标题】GAP: 用文本指导对任何点云进行高斯化标题：<GAP: Gaussianize Any Point Clouds with Text Guidance> 论文：https://arxiv.org/pdf/2412.01931 来源：南京大学；复旦大学；华为诺亚实验室主页：https://weiqi-zhang.github.io/GAP.

【物理重建】SPLART：基于3D高斯泼溅的铰链估计与部件级重建标题：《SPLART: Articulation Estimation and Part-Level Reconstruction with 3D Gaussian Splatting》项目：https://github.com/ripl/splart

【三维分割】Gaga：通过3D感知的 Memory Bank 分组任意高斯地址：https://www.gaga.gallery 标题：Gaga: Group Any Gaussians via 3D-aware Memory Bank 来源：加利福尼亚大学；Nvidia；Google