跳到正文
AI NEWS JOURNAL
AI, IN PERSPECTIVE

搜索 AI 资讯

检索标题、摘要与正文,把分散的信息连起来。

按发布时间排序

PhaseBreak:针对未经授权的图像转视频动画的主动时序保护

arXiv:2610.33070v1 发布类型:新 摘要:图像到视频(I2V)扩散模型能够为单张肖像或照片赋予动态效果,从而使得共享的图像在未经主体授权的情况下被重新用于运动合成。我们研究针对此类用途的主动视觉保护机制:在图像发布之前,其所有者施加一种有界扰动,既保持共享工作流不变,又干扰下游的运动生成过程。现有的频谱扰动目标会全局性地削弱时序特征表示,因此难以对细微或空间局部化的运动进行有效控制。我们的核心思路是:生成的动态不仅取决于时序特征的强度,还与特征事件的发生顺序密切相关。我们提出了一种白盒式的频谱重定时保护方法——PhaseBreak。

事件进展与其他报道

SyncVid:用于同步视频生成的全局等变扩散模型

arXiv:2610.31765v1 发布类型:新 摘要:从单个参考视频生成动态场景的多段视频,需要在不同视角之间一致地合成已观测与未观测的内容。现有的用于视频扩散的相机控制方法通常依赖于一些架构机制,包括相机嵌入、跨视图注意力以及几何条件化等。尽管这些方法对静态场景内容较为有效,但在处理必须在各视角及随时间保持一致的细粒度动态几何时,往往面临困难。我们通过在源自源视频的规范3D空间中采样高斯噪声先验,并将其光栅化至目标相机,从而同步扩散过程本身,而非在每个2D图像平面中独立采样。我们的 m

SyncVid: World-Equivariant Diffusion for Synchronized Video Generation
事件进展与其他报道

X-配音:在时间和视觉约束下的语音到语音翻译

arXiv:2610.32042v1 发布类型:新 提要:跨语言配音旨在将源语言语音转换为目标语言语音,并使其与原视频保持同步。这一任务的关键在于生成忠实且在源语言时序框架内自然可说的译文,而这并不容易,因为不同语言在音长、节奏和发音方式上存在差异。本文提出了一种名为 X-Dubbing 的方法,将该任务建模为一种同时考虑时间约束的语音转文本翻译与视频感知的文本转语音问题。具体而言,我们的方法由一个能够生成具有时间结构脚本的配音翻译器,以及一个能将其与源视频同步呈现的配音演员组成,二者均以一种与语言无关的时间预算为基础。此外,我们还通过 dubbing 对翻译器进行了进一步优化。

事件进展与其他报道

AudioLift:通过多视角视频生成,实现基于音频的单张图像到全头高斯化身的转换

arXiv:2610.31747v1 发布类型:新 摘要:现有的3D会说话的虚拟形象方法主要依赖于参数化人脸模型,包括3DMM或FLAME,而这些模型紧凑的运动表示限制了其生成极端表情以及建模头饰等配件的能力。我们提出了一种名为AudioLift的两阶段框架,该框架以生成的多视角视频作为音频驱动虚拟形象生成的中间表示,无需使用参数化人脸模型或针对每个实例进行优化。我们的框架将同步的多视角视频生成阶段与一种抗不一致性高斯重建阶段相结合,从而仅凭一张肖像图像即可恢复出连贯的全头几何结构。大量实验表明,AudioLift能够生成捕捉更多表情变化的3D会说话虚拟形象……

AudioLift: Audio-Driven Single Image to Full-Head Gaussian Avatar via Multi-view Video Generation
事件进展与其他报道