研究人员瞄准组合式图像与视频编辑

研究人员发布或介绍了多项旨在提升生成式模型能力的工作，这类模型将文本生成图像与图像、视频编辑结合起来。DanceOPD 提出一种面向流匹配模型的在策略生成场蒸馏框架，用于组合文本生成图像、局部编辑、全局编辑、真实感场吸收以及无分类器引导吸收。OpenGPT-4o-Image 推出一个覆盖 11 个领域、51 个子任务的 8 万组指令-图像数据集，而 CoinVE-200K 则面向组合式指令引导视频编辑，提供涉及 2 到 5 个原子编辑操作的 1080p 配对数据。