|
|
相关文章推荐
|
爱运动的灌汤包 · 如何在安卓系统中使用Camera2接口进行多 ...· 昨天 · |
|
|
酒量小的骆驼 · 知名高中基础医学专业宣讲第74场-学军中学 ...· 4 月前 · |
|
|
奋斗的煎饼 · 江苏省社科界第十一届学术大会政治与法学专场在 ...· 5 月前 · |
|
|
面冷心慈的感冒药 · “麻豆女神”潘甜甜，拍摄淫秽视频被捕，坠落过 ...· 9 月前 · |
|
|
单身的拐杖 · 驻英国大使刘晓明向英国女王递交国书_中华人民 ...· 11 月前 · |
|
|
玩命的火车 · 市市场监管局开展豇豆农残检测专项督查-市局动 ...· 1 年前 · |
媒矿工厂
专栏作者
举报
780
文章
848748
阅读量
227
订阅数
- 全部文章
- 编程算法
- 图像处理
- tcp/ip
- 其他
- api
- 模型
- 神经网络
- 深度学习
- 文件存储
- cdn
- http
- 视频
- 腾讯云测试服务
- 数据
- 云直播
- 机器学习
- 人工智能
- 网络安全
- https
- 渲染
- 网站
- 开源
- 视频处理
- 编码
- 云点播
- 缓存
- 网络
- 存储
- video
- javascript
- 5g
- 性能
- 函数
- 流媒体
- 压缩
- 数据分析
- media
- 框架
- 设计
- 优化
- 打包
- ide
- 容器
- 游戏
- uml
- vr
- 算法
- unix
- udp
- 媒体处理
- 工作
- python
- linux
- 分布式
- php
- html
- 微服务
- 云计算
- 工作流
- 音频
- android
- github
- 移动直播
- 安全
- nat
- 视频分析
- streaming
- 动画
- 对象
- ios
- node.js
- git
- 自动化
- html5
- dns
- 系统架构
- fpga
- 虚拟化
- 点云压缩
- db
- iso
- scale
- youtube
- 量化
- NAT 网关
- 图像识别
- flash
- 机器人
- windows
- webgl
- sdn
- 沉浸式媒体
- ip
- profile
- web
- 变量
- 论文
- 系统
- 区块链
- tensorflow
- bash
- css
- 批量计算
- 命令行工具
- 强化学习
- unity
- socket编程
- 数据结构
- canvas
- processing
- sdk
- 云游戏
- 自由视角
- aws
- bit
- codec
- ffmpeg
- image
- jpeg
- live
- time
- 测试
- 连接
- 虚拟现实
- 音视频
- 元宇宙
- 重构
- 人脸识别
- go
- react
- json
- arm
- 硬件开发
- 数据库
- apache
- nginx
- spring
- 短视频
- SSL 证书
- vr 视频解决方案
- serverless
- 卷积神经网络
- 监督学习
- 二叉树
- 迁移学习
- 大数据
- 物联网
- 腾讯云开发者社区
- 腾讯云图数据可视化
- amazon
- apple
- broadcast
- buffer
- data
- dynamic
- it
- metrics
- precision
- project
- self
- simulation
- slice
- transfer
- 工具
- 架构
- 客户端
- 排序
- 实时通信
- 通信
- 协议
- 费用中心
- 云服务器
- 云硬盘
- 数字货币
- NLP 服务
- iphone
- swift
- xcode
- c++
- c#
- .net
- jquery ui
- xml
- typescript
- qt
- 单片机
- 嵌入式
- sql
- docker
- 访问管理
- 对等连接
- 人脸融合
- 机器翻译
- 通用视频解决方案
- DevOps 解决方案
- 高性能计算
- 企业
- 正则表达式
- gui
- 推荐系统
- 决策树
- 线性回归
- pytorch
- rpc
- gcc
- ntp
- 数据可视化
- 内容安全
- 腾讯会议
- ipv6
- 迁移
- 性能测试
- 负载测试
- es
- 学习方法
- 多媒体处理
- 应用安全开发
- 手势识别
- 视频理解
- 即时通信 IM
- 汽车
- acm
- adobe
- aes
- alpha
- animation
- app
- backbone
- bandwidth
- bi
- camera
- com
- comparison
- cpu
- dataset
- directshow
- distribution
- draw
- driver
- edge
- expression
- feed
- format
- frame
- gaussian
- gnu
- gps
- gpt
- gpu
- icon
- intel
- io
- label
- load
- lock
- ls
- mask
- matrix
- maya
- meta
- microsoft
- model
- mp3
- nas
- network
- networkx
- nvidia
- package
- post
- protocols
- ref
- rtc
- screen
- set
- sf
- show
- simd
- similarity
- standards
- state
- static
- stream
- super
- svm
- system
- text
- title
- tizen
- token
- union
- unmanaged
- vimeo
- voiceover
- vpn
- webrtc
- xmpp
- zero
- 编译
- 程序
- 代理
- 队列
- 反射
- 服务器
- 互联网
- 基础
- 集合
- 计算机视觉
- 计算机网络
- 教程
- 交换机
- 解决方案
- 开源框架
- 开源软件
- 可视化
- 跨域
- 流量
- 内存
- 内核
- 配置
- 苹果
- 事件
- 视频编码
- 图表
- 效率
- 隐私
- 硬件
- 语音
搜索文章
SIGCOMM 2023 | Veritas: 通过视频流媒体记录进行因果推理
在目前的视频流媒体的研究中，因果查询通常用来研究不同因素之间的因果关系，这种分析可以帮助视频流媒体服务提供商了解特定因素如何影响用户体验，从而优化服务。但在实际场景中，很难进行完全随机的实验来确定不同因素之间的因果关系，特别是当涉及到网络性能、用户行为和视频质量等复杂因素时。本文提出了 Veritas 框架，该框架利用现有的记录数据，因果推理和反事实查询，来推断不同设计选择（不同的 ABR 算法、ABR 算法中新的视频质量选项等）对视频流媒体性能的影响，因此，Veritas 框架能通过不同的设计来推断对视频流媒体性能的影响，有助于改善视频流媒体服务的高效性和稳定性。
ICCV 2023 | Pix2Video: 基于扩散模型的视频编辑
在大量图像集合上训练的图像扩散模型，在质量和多样性方面已经成为最通用的图像生成器模型。它们支持反演真实图像和条件(例如,文本)生成，使其在高质量图像编辑应用中非常受欢迎。本文研究如何使用这些预训练的图像模型进行文本引导的视频编辑。关键的挑战是在实现目标编辑的同时仍然保留源视频的内容。本文的方法通过两个简单的步骤来工作：首先，使用预训练的结构引导的(例如,深度)图像扩散模型在锚框上进行文本引导的编辑；然后，在关键步骤中，通过自注意力特征注入将变化逐步传播到未来帧，以适应扩散模型的核心去噪步骤。然后，通过调整框架的潜在编码来巩固这些变化，然后再继续这个过程。
ICCV2023 | Masked Diffusion Transformer： 增强扩散模型对上下文关系的理解
在这项工作中，我们首先观察到DPMs通常难以学习图像中物体部分之间的关联关系，导致训练过程缓慢。为了解决这个问题，提出了一种有效的掩码扩散变换器（Masked Diffusion Transformer，MDT），以提高DPMs的训练效率。MDT引入了一个蒙面潜在建模方案，专门为基于Transformer的DPMs设计，以明确增强上下文学习能力并改进图像语义之间的关联关系学习。MDT在潜在空间中进行扩散过程以节省计算成本。它对某些图像标记进行掩码，并设计了一个不对称的掩码扩散变换器（AMDT），以一种扩散生成的方式预测被掩码的标记。MDT可以从其上下文不完整的输入中重建图像的完整信息，学习图像语义之间的关联关系。
CVPR2023 | 通过示例绘制:基于示例的图像编辑与扩散模型
由于社交媒体平台的进步，照片的创意编辑成为了普遍需求。基于人工智能的技术极大地降低了炫酷图像编辑的门槛，不再需要专业软件和耗时的手动操作。深度神经网络通过学习丰富的配对数据，可以产生令人印象深刻的结果，如图像修复、构图、上色和美化。然而，语义图像编辑仍然具有挑战性，它旨在操纵图像内容的高级语义并保持图像的真实性。目前，大规模语言图像模型能够以文本提示为指导实现图像操作，但是详细的文本描述常常不够准确，很难描述细粒度的物体外观。因此，需要开发一种更直观的方法来方便新手和非母语使用者进行精细的图像编辑。
SEED:在大语言模型中播下一颗视觉的"种子"
近年来，在海量文本语料库上进行预训练的大语言模型已趋于成熟，表现出在理解、推理和生成各种开放式文本任务上的卓越能力。最近的研究聚焦于进一步利用大语言模型的强大通用性来提升视觉理解和视觉生成任务的效果，统称为多模态大语言模型。先前的工作通过将预先训练的图像编码器(例如CLIP-ViT)的视觉特征与大语言模型的输入嵌入空间对齐来执行开放式视觉QA。GILL通过将其输出嵌入空间与预训练的稳定扩散模型对齐，从而赋予大语言模型图像生成能力。虽然这些研究促进了技术进步，但在新兴能力方面，多模态大语言模型尚未取得像大预言模型那样的显著成功。
点击加载更多
社区活动
技术创作特训营第三期有奖征文
好文/连更/组队/新人有奖，最高瓜分1w元
技术专题有奖征文第二期！
1024特辑，多重选题，福利翻倍！
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客，速成社区影响力并领取好礼
ES Serverless 体验赢大奖活动
参与体验即有机会获得千元礼品，快快报名起来~
领券
腾讯云开发者
扫码关注腾讯云开发者
领取腾讯云代金券
Copyright © 2013 - 2023 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号： 粤B2-20090059 深公网安备号 44030502008569
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号 | 京公网安备号11010802020287
推荐文章