近日，智象未來團(tuán)隊(duì)兩項(xiàng)創(chuàng)新成果入選ICCV 2025，分別聚焦于圖像生成與視頻增強(qiáng)兩個(gè)方向，全面展示了其在生成式AI技術(shù)上的突破與領(lǐng)先。
在圖像生成方面，智象未來團(tuán)隊(duì)提出了全新去噪掩碼自回歸生成范式De-MAR，解決了自回歸模型在視覺生成中的關(guān)鍵瓶頸。自回歸模型雖在語言領(lǐng)域大獲成功，但在圖像生成中存在細(xì)節(jié)表現(xiàn)力不足、推理速度慢等痛點(diǎn)。De-MAR框架通過雙重令牌優(yōu)化機(jī)制，創(chuàng)新性引入擴(kuò)散頭與去噪頭模塊：擴(kuò)散頭利用交叉注意力捕捉全局上下文，提升掩碼區(qū)域預(yù)測精度；去噪頭動態(tài)優(yōu)化已知區(qū)域令牌，減少誤差累積。實(shí)驗(yàn)顯示，De-MAR在ImageNet和MS-COCO數(shù)據(jù)集上，F(xiàn)ID指標(biāo)達(dá)1.47和5.27的頂尖水平，生成速度較DiT-XL/2快45%，打破高質(zhì)量與高效率不可兼得的困境，生成圖像細(xì)節(jié)更豐富、偽影更少。
在視頻增強(qiáng)方面，團(tuán)隊(duì)則推出了創(chuàng)新的生成式視頻畫質(zhì)增強(qiáng)框架GenVE，攻克傳統(tǒng)方法細(xì)節(jié)缺失難題。其核心在于雙重對齊機(jī)制：通過圖像擴(kuò)散模型生成語義參考，確保全局布局一致；借助局部感知交叉注意力模塊，精準(zhǔn)遷移參考圖像的紋理細(xì)節(jié)至視頻。同時(shí)，多重增強(qiáng)策略提升模型魯棒性：噪聲增強(qiáng)平衡質(zhì)量與保真度，時(shí)間增強(qiáng)強(qiáng)化幀間連貫性，掩碼策略提升特征利用率。在YouHQ40、VideoLQ等數(shù)據(jù)集上，GenVE的MUSIQ、DOVER等指標(biāo)全面領(lǐng)先，能生動還原毛發(fā)、衣物褶皺等細(xì)節(jié)，使視頻畫面更自然流暢。
這兩項(xiàng)成果分別發(fā)表于ICCV 2025 論文《Denoising Token Prediction in Masked Autoregressive Models》和《Aligning Global Semantics and Local Textures in Generative Video Enhancement》，為視覺生成技術(shù)開辟新路徑，推動高質(zhì)量、高效率的多模態(tài)內(nèi)容生成邁向?qū)嵱没?，未來有望在?chuàng)意設(shè)計(jì)、影視制作等領(lǐng)域廣泛應(yīng)用。
申請創(chuàng)業(yè)報(bào)道，分享創(chuàng)業(yè)好點(diǎn)子。點(diǎn)擊此處，共同探討創(chuàng)業(yè)新機(jī)遇！
