x27

能不能有一种通用的图模型——它既能够根据分子结构预测毒性，又能够给出社交网络的朋友推荐?或者既能预测不同作者的论文引用，还可以发现基因网络中的人类衰老机制?你还真别说，被ICLR2024接收为Spotlight的“OneforAll（OFA）”框架就实现了这个“精髓”。它由圣路易斯华盛顿大学陈一昕教授团队、北京大学张牧涵以及京东研究院陶大程等研究者们联合提出。

想要AI生成更长的视频?现在，有人提出了一个效果很不错的免调优方法，直接就能作用于预训练好的视频扩散模型。它最长可支持512帧（假设帧率按30fps算，理论上那就是能生成约17秒长的作品了）。可应用于任何视频生成模型，比如AnimateDiff、LaVie等等。以及还能支持多文本生成，比如可以让骆驼一会跑一会停:

**划重点:**1.📈调查显示，生成式人工智能（GenerativeAI）在企业中的采用速度前所未见，但仍面临业务用例不明确、法律问题和高基础设施成本等难题。2.💼两-thirds的受访者表示正在使用生成式AI，但调查指出，找到业务用例的困难和对法律问题的担忧是该技术发展的阻碍。3.🌐调查还发现，企业文化、基础设施建设的难度和高成本也是生成式AI发展的挑战。

刚刚，计算机视觉巅峰大会ICCV2023，在法国巴黎正式“开奖”!今年的最佳论文奖，简直是“神仙打架”。例如，获得最佳论文奖的两篇论文中，就包括颠覆文生图AI领域的著作——ControlNet。自开源以来，ControlNet已经在GitHub上揽获24k星。无论是对扩散模型、还是对整个计算机视觉领域而言，这篇论文获奖都可以说是实至名归。

【新智元导读】参数高效的微调方法SUR-adapter，可以增强text-to-image扩散模型理解关键词的能力。扩散模型已经成为了主流的文本到图像生成模型，可以基于文本提示的引导，生成高质量且内容丰富的图像。但如果输入的提示过于简洁，现有的模型在语义理解和常识推理方面都存在局限，导致生成的图像质量下降明显。

用上扩散模型，3D物体生成纹理一句话就能搞定!像是输入“一张带有棕色和黑色几何图案的椅子”，扩散模型就能立刻给它复个古，贴上颇具年代感的纹理:甚至只是丢给它一张看不出桌面长啥样的“截图”，AI也能立刻凭借想象力，给桌面加上木质的细节纹理:要知道，给3D物体加上纹理，可不只是“变变颜色”这么简单。