FastVLM: Efficient Vision Encoding for Vision Language Models
视觉语言模型（VLMS）可与文本输入一起视觉理解。它们通常是通过将视觉令牌从验证的视觉编码传递到预处理的大型语言模型（LLM）通过投影层来构建的。通过利用视觉编码器的丰富视觉表示以及LLM的世界知识和推理能力，VLM可用于广泛的应用程序，包括可访问性助手，UI导航，机器人技术和GAMING.VLM精度通常可以通过更高的输入图像解决，可以在精确的情况下提高精确折磨，> vlm的精度可以提高。
Cavia: Camera-controllable Multi-view Video Diffusion with View-Integrated Attention
近年来，图像到视频的一代取得了显着突破。但是，生成的帧的3D一致性和相机可控性尚未解决。最近的研究试图将相机控制纳入生成过程中，但是它们的结果通常仅限于简单的轨迹或缺乏从多个不同的相机路径中为同一场景生成一致的视频的能力。为了解决这些局限性，我们介绍了Cavia，这是一个可控制摄像机的多视频视频生成的新型框架，能够转换输入图像……
