Tag · 2 篇
潜空间重建
分布 视觉语言模型1生成模型与扩散1
01 02
释放多模态大语言模型内在的视觉表征能力
Unleashing the Intrinsic Visual Representation Capability of Multimodal Large Language Models
把掩码图像建模搬到 MLLM 的联合潜语义空间里做视觉重建，为视觉表征提供直接监督信号，可复用于任何需要增强 VLM 密集视觉能力的训练流程。
FlashLips：基于重建而非扩散或 GAN 的 100 FPS 免掩码潜空间唇形同步
FlashLips: 100-FPS Mask-Free Latent Lip-Sync using Reconstruction Instead of Diffusion or GANs
用纯重建损失的单步潜空间编辑器替代 GAN/扩散做唇形编辑，并以嘴部篡改变体自监督生成伪真值来免除推理期 mask，这套「重建式编辑 + 伪标签定位」思路可迁移到其他局部可控编辑任务。