A Hybrid Model for Identity Obfuscation by Face Replacement
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
随着越来越多的个人照片在社交媒体上被分享和标记,避免意外识别等隐私风险变得越来越具有挑战性。我们提出了一种新的混合方法来混淆身份的照片头部替换。我们的方法结合了最先进的参数化人脸合成与生成对抗网络(GAN)的最新进展,用于数据驱动的图像合成。一方面,我们的方法的参数化部分使我们能够控制面部参数,并允许显式操纵身份。另一方面,数据驱动方面允许添加精细的细节和整体真实感,以及无缝融合到场景环境中。在我们的实验中,我们展示了我们的系统的高度逼真的输出,该系统在混淆率方面比以前的最新技术有所提高,同时保持与原始图像内容的更高相似性。
2018-07-24 cs.CR cs.CV
Physically-Based Editing of Indoor Scene Lighting from a Single Image
UC San Diego(加州大学圣地亚哥分校);Carnegie Mellon University(卡内基梅隆大学);Adobe Research(Adobe研究院)
我们提出了一种方法来编辑复杂的室内照明从一个单一的图像与其预测的深度和光源分割掩模。这是一个非常具有挑战性的问题,需要对复杂的光传输进行建模,并在仅对场景进行部分LDR观察的情况下将HDR照明与材料和几何结构分离。我们使用两个新的组件来解决这个问题:1)一个整体场景重建方法,估计场景反射率和参数化3D照明,以及2)一个神经渲染框架,根据我们的预测重新渲染场景。我们使用基于物理的室内光表示,允许直观的编辑,并推断可见和不可见光源。我们的神经渲染框架将基于物理的直接照明和阴影渲染与深度网络相结合,以近似全局光照。它可以捕捉具有挑战性的照明效果,如柔和阴影、定向照明、镜面反射材质和相互反射。以往的单幅图像逆绘制方法往往涉及到场景光照和几何,并且只支持对象插入等应用。相反,通过将参数化3D照明估计与神经场景渲染相结合,我们展示了从单个图像实现全场景重新照明的第一种自动方法,包括光源插入,移除和替换。所有源代码和数据将公开发布。
2022-07-23 cs.CV
Sparkle: Realizing Lively Instruction-Guided Video Background Replacement via Decoupled Guidance
Show Lab, National University of Singapore(新加坡国立大学Show实验室)
本文提出Sparkle数据集和基准,通过解耦生成前景与背景指导,解决背景替换任务中高质量数据稀缺的问题,实验表明其性能优于现有基线。
2026-11-02 cs.AI cs.CV
SGEdit: Bridging LLM with Text2Image Generative Model for Scene Graph-based Image Editing
City University of Hong Kong(香港城市大学);Microsoft GenAI(微软生成式人工智能部门)
本文提出SGEdit框架,通过结合LLM与Text2Image扩散模型,利用场景图实现对象级精确修改与场景重组,显著提升了图像编辑精度和美学效果。
2024-10-15 cs.CV
Free4D: Tuning-free 4D Scene Generation with Spatial-Temporal Consistency
Huazhong University of Science and Technology(华中科技大学);S-Lab, Nanyang Technological University(南洋理工大学S-Lab);Great Bay University(大湾区大学)
Free4D提出免调优框架,通过蒸馏预训练模型,从单图生成时空一致的4D场景,实现实时可控渲染。
2025-03-26 cs.CV
4D Human-Scene Reconstruction from Low-Overlap Captures
Seoul National University(首尔国立大学)
针对现实场景中低重叠度相机的4D人体场景重建问题,提出StudioRecon方法,通过解耦背景和人体,利用视频扩散模型强化背景监督,结合跨视图关联等初始化人体,经递归增强模块避免伪影,实现了高水准新视图合成及相关应用。
2026-07-13 cs.CV
SceneTextStylizer: A Training-Free Scene Text Style Transfer Framework with Diffusion Model
The University of Electro-Communications(电通大学)
本文提出SceneTextStylizer,一种无需训练的扩散模型框架,通过特征注入、区域控制和风格增强模块,实现了场景文本区域灵活且高保真的风格迁移,同时保持文本可读性。
2025-10-13 cs.CV eess.IV
STEPS: Scene Text Editing with Preserved Style Using Diffusion and Contrastive Style Encoding
Roblox
STEPS提出一种扩散模型架构,通过独立于文本内容的风格编码器与多语义条件结合,在场景文本编辑中实现更优的风格保留、可读性和主观质量。
2026-10-01 cs.CV cs.LG
DriveEditor: A Unified 3D Information-Guided Framework for Controllable Object Editing in Driving Scenes
Huazhong University of Science and Technology(华中科技大学);National Key Laboratory of Multispectral Information Intelligent Processing Technology(多光谱信息智能处理技术国家重点实验室);Wangxuan Institute of Computer Technology, Peking University(北京大学王选计算机研究所)
DriveEditor提出统一的扩散框架,通过三维边界框位置控制和单参考图像外观保持模块,实现驾驶视频中物体的重新定位、替换、删除和插入,并在nuScenes上验证了高保真可控编辑能力。
2024-12-30 cs.CV
TextSculptor: Training and Benchmarking Scene Text Editing
Beijing Jiaotong University(北京交通大学);Bytedance(字节跳动)
本文提出TextSculptor框架,通过构建大规模数据集和基准测试,解决场景文本编辑中高质量训练数据稀缺和缺乏标准化评估的问题,提升开源模型性能。
2026-05-20 cs.CV
BlenderFusion: 3D-Grounded Visual Editing and Generative Compositing
Simon Fraser University(西蒙 Fraser大学);Google DeepMind(谷歌DeepMind);New York University(纽约大学)
研究提出BlenderFusion生成式视觉合成框架,通过分层-编辑-合成流水线,结合扩展预训练扩散模型的生成合成器与两项训练策略,实现3D锚定的场景编辑,性能显著优于现有方法。
2025-06-26 cs.CV cs.GR
ASIST: Automatic Semantically Invariant Scene Transformation
Microsoft Research(微软研究院);Tel Aviv University(特拉维夫大学)
我们提出了ASIST,一种通过用语义等价的对象替换对象来转换点云的技术。这种变换在虚拟现实、融合扫描的修复和机器人技术中有应用。ASIST基于语义标记和对象替换的统一公式;两者都是最小化单个目标的结果。我们提出了有效的解决这个优化问题的数值工具。该方法是实验评估新的数据集的合成和真实的点云,并进行了比较,从相应的论文的数据对象替换的两个最近的作品。
2015-12-04 cs.CV
Zero-Shot Object Removal via Attention Masking, Latent Anchoring, and Refinement
Institute of Cognitive Science, Osnabrück University(奥斯纳布吕克大学认知科学研究所)
提出零样本物体移除框架,结合SAM掩膜、BLIP字幕、DDIM反演及注意力掩蔽等,实现无需训练的上下文一致修复,并通过消融验证有效性。
2026-09-24 cs.CV
TextWand: A Unified Framework for Scene Text Editing
School of Electronic and Computer Engineering, Peking University(电子与计算机工程学院,北京大学)
提出TextWand统一框架,通过渲染和擦除原子操作分解复杂编辑任务,结合ORPE编码和RAS策略,实现场景文本的移除、生成和替换,并在新基准TextWand-Bench上超越现有模型。
2026-06-04 cs.CV
Soap2Soap: Long Cinematic Video Remaking via Multi-Agent Collaboration
Show Lab, National University of Singapore(新加坡国立大学Show实验室);University of Oxford(牛津大学);Lovart AI(Lovart人工智能)
本研究提出 Soap2Soap 框架,通过多智能体协作实现长 cinematic 视频重制,解决视频到视频生成中长期一致性与叙事保真度的问题。
2026-05-17 cs.CV
Enhanced Video Text Editing with Trajectory-Aligned Glyph Rendering
South China University of Technology(华南理工大学);The Chinese University of Hong Kong(香港中文大学);Huawei(华为)
针对视频扩散模型生成文本笔画错误的问题,提出轨迹对齐字形渲染与深度归一化识别器监督,构建VTEdit基准,实现高文本准确率与背景保持。
2026-10-07 cs.CV
TextDestroyer: A Training- and Annotation-Free Diffusion Method for Destroying Anomal Text from Images
Key Laboratory of Multimedia Trusted Perception and Efficient Computing Xiamen University(多媒体可信感知与高效计算重点实验室 厦门大学)
本文提出TextDestroyer,首个免训练免标注的场景文本破坏扩散方法,通过三阶段分层获取掩码、扰乱潜在码并利用自注意力和反演潜在码替换实现完美背景恢复,彻底破坏文本且泛化性强。
2025-07-16 cs.AI cs.CV cs.LG
A Flow Base Bi-path Network for Cross-scene Video Crowd Understanding in Aerial View
Northwestern Polytechnical University(西北工业大学)
无人机拍摄可应用于动态交通监控、目标检测和跟踪以及其他视觉任务。拍摄地点的可变性给这些任务增加了一些棘手的挑战,例如变化的规模,不稳定的曝光和场景迁移。在本文中,我们努力解决上述挑战,并从无人机收集的视觉数据中自动理解人群。首先,针对跨场景测试中产生的背景噪声,提出了一种双流人群计数模型,该模型提取了光流和帧差信息作为额外的分支。此外,为了提高模型在不同尺度和时间的泛化能力,我们随机组合了多种数据转换方法来模拟一些不可见的环境。为了解决极端黑暗环境下的人群密度估计问题,我们引入了由游戏侠盗猎车手V(GTAV)生成的合成数据。实验结果表明了虚拟数据的有效性。我们的方法以12.70的平均绝对误差(MAE)赢得了挑战。此外,进行了全面的消融研究,以探索每个组件的贡献。
2020-09-29 cs.CV
RoboTransfer: Controllable Geometry-Consistent Video Diffusion for Manipulation Policy Transfer
Horizon Robotics;GigaAI(极佳科技);CASIA
RoboTransfer通过可控的几何一致视频扩散技术,提升机器人操控策略在真实环境中的泛化能力。
2026-01-06 cs.CV
DreamEdit: Subject-driven Image Editing
University of Waterloo(滑铁卢大学);Vector Institute(矢量研究所)
本文提出主题替换与主题添加两个主题驱动图像编辑子任务,构建 DreamEditBench 数据集,并通过迭代生成的 DreamEditor 评估现有方法的局限。
2023-08-16 cs.CV
MatReplace: A Reference-Free, Conditioning-Aligned Benchmark for Material Replacement in Interior Scenes
National University of Singapore(新加坡国立大学);Nanyang Technological University(南洋理工大学);VinUniversity
研究针对室内场景材料替换任务推出无参考基准MatReplace,定义三个条件轨道,实验发现命名材料渲染基本解决但像素视觉定位仍存挑战,专家评分验证其有效性。
2026-08-26 cs.AI cs.CV
Holo-Captioning: Toward the Text Equivalent of 3D Scenes
Visual AI Lab, The University of Hong Kong(香港大学视觉人工智能实验室);Frontier Robotics(前沿机器人)
研究提出全息字幕任务,先将其定义为生成结构化文本描述,开发字幕引擎及大规模基准,在此基础上提出HoloScribe模型,还给出评估指标和测试集,该模型性能超现有方法。
2026-07-07 cs.CV
Learning Object-Centric Representations Based on Slots in Real World Scenarios
Computer Science and Engineering(计算机科学与工程)
本文提出 SlotAdapt 及面向视频的 ISA 框架,将基于 slot 的对象条件注入预训练扩散模型,在图像与视频的对象发现、分割、重建和可控编辑上取得先进结果。
2025-09-29 cs.CV
Compositional Video Synthesis by Temporal Object-Centric Learning
Koc University(科奇大学);KUIS AI Center(科奇大学智能系统中心)
提出将 SlotAdapt 扩展至视频的时间对象中心框架,通过姿态不变槽位与预训练扩散模型实现高质量、连贯且可组合编辑的视频生成。
2025-07-28 cs.CV
HEART: Hyperspherical Embedding Alignment via Kent-Representation Traversal in Diffusion Models
Purdue University(普渡大学)
本文提出HEART框架,通过超球面几何对齐实现图像生成中的直观精确编辑,无需微调或优化,提升控制精度与稳定性。
2026-11-18 cs.CV
Energy-Guided Optimization for Personalized Image Editing with Pretrained Text-to-Image Diffusion Models
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);Youtu Lab, Tencent(腾讯优图实验室)
提出一种无训练框架,通过能量引导优化和由粗到细策略,利用参考文本-图像对引导扩散模型在潜在空间进行个性化图像编辑,实现无缝融合与身份一致性。
2025-03-06 cs.CV
Cross-domain Compositing with Pretrained Diffusion Models
Tel Aviv University(特拉维夫大学);Simon Fraser University(西蒙弗雷泽大学)
本文提出利用现成预训练扩散模型实现跨域合成,通过局部迭代细化融合背景上下文信息,无需标注或训练即可完成图像混合、物体沉浸、纹理替换等任务,并可用于下游数据增强。
2023-05-25 cs.CV cs.GR cs.LG
LayoutLLM-T2I: Eliciting Layout Guidance from LLM for Text-to-Image Generation
National University of Singapore(新加坡国立大学);Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳))
针对文本到图像生成中的空间与数量错位问题,本文提出 LayoutLLM-T2I,利用 LLM 上下文学习自动规划布局,并通过细粒度对象交互扩散生成高保真对齐图像。
2023-08-12 cs.AI cs.CV
Wan-Animate: Unified Character Animation and Replacement with Holistic Replication
HumanAIGC Team(人类AI生成团队);Tongyi Lab(通义实验室);Alibaba(阿里巴巴)
本文提出Wan-Animate统一框架,基于Wan模型结合骨架信号与隐式面部特征,实现高可控的角色动画与替换,并引入Relighting LoRA增强环境融合,达到最先进性能且将开源代码与权重。
2025-09-17 cs.CV
A Single Image and Multimodality Is All You Need for Novel View Synthesis
Department of Electrical and Computer Engineering(电气与计算机工程系)
本文提出利用稀疏多模态测距数据提升单图像新视角合成的几何一致性和视觉质量,通过多模态深度重建框架替代传统单目深度估计,增强扩散模型的生成效果。
2026-04-16 cs.CV
LangDriveCTRL: Natural Language Controllable Driving Scene Editing with Multi-modal Agents
University of Maryland, College Park(马里兰大学帕克分校);NEC Labs America(NEC美国实验室);UC San Diego(加州大学圣迭戈分校)
LangDriveCTRL通过多模态代理实现驾驶视频的自然语言可控编辑,生成多样化的交通场景,提升真实感和交通场景的真实性。
2026-08-25 cs.CV
ReplaceAnything3D:Text-Guided 3D Scene Editing with Compositional Neural Radiance Fields
University College London(伦敦大学学院);Alan Turing Institute(阿兰·图灵研究所);Reality Labs Research, Meta(元现实实验室研究部门)
该研究提出文本引导的3D场景编辑模型ReplaceAnything3D(RAM3D),采用“擦除-替换”方法,可基于文本提示替换场景中特定物体,同时保持多视图3D一致性,在多种真实场景中实现了前景物体与场景的良好融合。
2024-01-31 cs.AI cs.CV cs.GR
PSGText: Stroke-Guided Scene Text Editing with PSP Module
National Taiwan University(台湾大学)
本文提出PSGText,一种基于PSP模块的三阶段场景文本编辑框架,通过文本交换、背景修复和融合网络协同工作,有效解决了复杂背景下生成清晰可读编辑文本的挑战。
2023-10-20 cs.CV
GARDEN: Gravity-Aligned Reconstruction of Disentangled ENvironments from RGB images
Zhejiang University(浙江大学);Ant Group(蚂蚁集团)
提出GARDEN框架,利用重力先验将多视图RGB图像重建为具有显式刚体和解耦背景的结构化混合场景表示,支持直接物理模拟。
2026-07-08 cs.CV
4Real-Video-V2: Fused View-Time Attention and Feedforward Reconstruction for 4D Scene Generation
Snap Inc.;KAUST
提出首个前馈计算4D时空网格的框架,融合视图-时间注意力于单层,并扩展3D重建,提升4D生成质量与重建能力。
2025-06-18 cs.CV
TAUE: Training-free Noise Transplant and Cultivation Diffusion Model
Faculty of Science and Engineering, Hosei University(恒河大学科学与工程学院);RPTU Kaiserslautern-Landau & DFKI GmbH(凯撒斯劳滕-兰道大学与DFKI GmbH)
TAUE提出无需训练的噪声移植与培育扩散模型,通过嵌入全局结构信息和语义线索,实现多层图像生成,提升跨层一致性并支持新应用。
2026-03-17 cs.AI cs.CV cs.GR
Feature-Optimized Vision for Adaptive 3D Scene Reconstruction
Oracle
提出一种自适应特征优化视觉前端,通过评分纹理、可重复性、独特性、预期三角化角度和空间覆盖来分配每视图特征预算,以最大化有效轨迹并降低重建RMSE。
2026-05-29 cs.AI cs.CV
MDiff4STR: Mask Diffusion Model for Scene Text Recognition
MDiff4STR通过改进的掩码扩散模型在场景文本识别中实现更高的准确性和快速推断。
2025-12-01 cs.CV
HI-GAN: Hierarchical Inpainting GAN with Auxiliary Inputs for Combined RGB and Depth Inpainting
New Jersey Institute of Technology(新泽西理工学院)
提出HI-GAN,一种由三个GAN分层组成的端到端RGBD修复方法,通过引入边缘和分割标签图像作为辅助输入显著提升修复性能。
2024-02-15 cs.AI cs.CV cs.LG
Reference-free Human-Object Interaction Editing
Nanyang Technological University(南洋理工大学);Sun Yat-sen University(中山大学);Nanjing Forestry University(南京林业大学);Universiti Malaya(马来亚大学)
本文提出InteractEdit框架,通过分解场景组件、结合选择性反转与SeRA策略实现无参考HOI编辑,引入IEBench基准及对应指标,实验显示其优于23种现有方法,为HOI编辑研究提供强基线。
2026-08-25 cs.CV cs.GR cs.MM
CannyEdit: Selective Canny Control and Dual-Prompt Guidance for Training-Free Image Editing
Huawei Hong Kong AI Framework & Data Technologies Lab(华为香港AI框架与数据技术实验室);The Hong Kong University of Science and Technology(香港科技大学);Shanghai University of Finance and Economics(上海财经大学)
CannyEdit提出无训练图像编辑框架,通过选择性Canny控制和双提示引导,在对象添加、替换和移除中平衡文本一致性、上下文保真度与编辑无缝性。
2025-10-26 cs.AI cs.CV
Dynamic-eDiTor: Training-Free Text-Driven 4D Scene Editing with Multimodal Diffusion Transformer
Purdue University(普渡大学);Korea University(韩国大学)
Dynamic-eDiTor通过多模态扩散变换器和4DGS实现无训练文本驱动的4D场景编辑,提升多视图和时间一致性。
2025-11-30 cs.AI cs.CV
DisPositioNet: Disentangled Pose and Identity in Semantic Image Manipulation
Technical University of Munich(慕尼黑工业大学);Munich Center for Machine Learning(慕尼黑机器学习中心);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Google(谷歌);Johns Hopkins University(约翰斯·霍普金斯大学)
场景中对象及其关系的图形表示(称为场景图)提供了精确且可辨别的接口,以通过修改图中的节点或边来操纵场景。虽然现有的作品已经显示出有希望的结果,在修改对象的位置和姿态,场景操作往往会导致失去一些视觉特性,如外观或身份的对象。在这项工作中,我们提出了DisPositioNet,这是一种模型,它以自我监督的方式使用场景图学习每个对象的解纠缠表示,用于图像操作任务。我们的框架使解纠缠的变化的潜在嵌入,以及在图中的特征表示。除了由于姿态和身份等特征的分解而产生更逼真的图像外,我们的方法还利用中间特征中的概率采样来在对象替换或添加任务中生成更多样化的图像。我们的实验结果表明,在两个公共基准上,在模型的隐流形中解开特征表示在定性和定量上优于以前的工作。项目页面:https://scenegenie.github.io/DispositioNet/
2022-11-10 cs.AI cs.CV cs.LG
Simulating Fluids in Real-World Still Images
SenseTime Research(商汤科技研究院);CUHK-SenseTime Joint Laboratory(香港中文大学-商汤联合实验室);The Chinese University of Hong Kong(香港中文大学)
在这项工作中,我们解决了现实世界中的流体动画从静止图像的问题。我们的系统的关键是一个基于表面的分层表示来自视频分解,其中场景被解耦成一个表面流体层和一个不渗透的背景层与相应的双折射来表征这两个层的组成。通过根据流体运动的估计仅扭曲表面流体层并将其与背景重新组合,可以产生动画视频。此外,我们介绍了表面只有流体模拟,一个$2.5D$流体计算版本,作为运动估计的替代品。具体来说,我们利用基于单目深度估计器的三角形网格来表示流体表面层,并在基于物理的框架中模拟运动,其灵感来自混合拉格朗日-欧拉方法的经典理论,以及可学习的网络,以适应复杂的现实世界图像纹理。我们证明了所提出的系统的有效性,通过与现有的方法在标准的客观指标和主观排名分数的比较。大量的实验表明,该方法不仅对常见的流体场景具有较好的性能,而且在复杂的透明流体场景中具有较好的鲁棒性和合理性。此外,由于所提出的基于表面的层表示和仅表面的流体模拟自然地解开场景,交互式编辑,如添加对象到河流和纹理替换可以很容易地实现与逼真的结果。
2022-04-24 cs.CV
UniSwap: Streaming Audio-Visual Identity Swapping for Talking Videos
The Chinese University of Hong Kong(香港中文大学);Qwen Applications Business Group of Alibaba(阿里巴巴通义千问应用业务集团)
UniSwap是首个流音频-视觉身份替换框架,通过多阶段适配技术解决现有方法音视频一致性差等问题,实现高效稳定的说话视频身份替换。
2026-08-14 cs.CV cs.SD
TripleFDS: Triple Feature Disentanglement and Synthesis for Scene Text Editing
Tencent Youtu Lab(腾讯优图实验室)
针对场景文本编辑中属性解耦不完整的问题,提出TripleFDS框架及SCB Synthesis数据集,通过三重特征解耦与合成提升可控性和视觉一致性,在主流基准上取得最优性能。
2025-11-17 cs.AI cs.CV
SIGNPOST-Bench: Benchmarking Text-Vision Conflict Resolution in Multimodal Large Language Models
本研究推出SIGNPOST-Bench基准,通过包含5111个反事实组的25555个图像变体,评估20个多模态大语言模型的文本-视觉冲突解决能力,发现对抗文本会显著提升定位误差,且模型对冲突文本的鲁棒性无法由干净输入的定位性能完全预测。
2026-08-06 cs.CL cs.CV
Deep Interactive Region Segmentation and Captioning
随着最近在密集图像描述方面的创新,现在可以用一个标题来描述场景中的每个对象,而对象由边界框来确定。然而,由于存在许多重叠的边界框,对这样的输出的解释并不是微不足道的。此外,在当前的字幕框架中,用户不能涉及个人偏好以排除不感兴趣的区域。在本文中,我们提出了一种新的混合深度学习架构,用于交互式区域分割和字幕,其中用户能够指定应该处理的图像的任意区域。为此,一个专用的全卷积网络(FCN)命名为Lyncean FCN(LFCN)的训练使用我们的特殊训练数据隔离用户意图区域(UIR)作为一个有效的分割的输出。并行地,利用密集图像描述模型来为该区域提供各种各样的字幕。然后,将用最佳匹配限界框的标题来解释UIR。据我们所知,这是第一部提供如此全面输出的作品。我们的实验表明,所提出的方法的优越性超过国家的最先进的交互式分割方法在几个著名的数据集。此外,用交互式分割的结果替换边界框导致对密集图像描述输出的更好理解以及在并交(IoU)方面的目标检测的准确性增强。
2017-07-26 cs.CV
CLIP Is Shortsighted: Paying Attention Beyond the First Sentence
University of Toronto Robotics Institute(多伦多大学机器人研究所);Mila - Quebec AI Institute(Mila - 魁北克人工智能研究所)
CLIP模型在大规模数据上通过图像-文本对比学习获取可迁移的多模态特征,但其预训练过程偏向于短描述,导致复杂场景对齐不足。本文提出DeBias-CLIP,通过去除摘要句和子采样提升对齐效果,实现更优的长文本检索和鲁棒性。
2026-03-28 cs.CV
Soul: Breathe Life into Digital Human for High-fidelity Long-term Multimodal Animation
Tencent(腾讯)
Soul通过多模态驱动框架实现高保真长期数字人类动画,结合自动化标注和优化推理效率,显著提升视频质量和唇同步精度。
2025-12-15 cs.CV