TAG:计算机视觉
OpenCV 5发布：全新DNN引擎原生支持大模型，迈入大模型时代
OpenCV 正式发布 5.0 版本，全新 DNN 引擎原生支持 Transformer、大语言模型和视觉语言模型，显著提升 ONNX 算子覆盖率至 80% 以上，优化端侧 AI 推理性能。新版本还改进了数据类型支持、硬件加速层和开发者体验，推动计算机视觉领域迈入大模型时代。
商汤善惠烧卖购机器人小店以真实数据驱动全任务覆盖，加速具身智能便利店全国落地
商汤善惠推出SenseMartGo烧卖购机器人小店并在上海多点落地，五一实现最快15秒一单、日均400单。方案以“AI能力×数据资产×场景覆盖”全栈体系驱动，覆盖接单、拿放、理货到选品定价补货等全任务，依托真实交易数据飞轮持续进化，加速具身智能便利店规模化全国布局。
商汤善惠机器人小店落地上海，计划于2026年底完成百家门店布局
商汤科技旗下商汤善惠推出SenseMartGo“烧卖购”机器人小店，并在上海多点率先落地，计划至2026年底布局百家门店。方案依托计算机视觉、海量零售数据与多模态大模型，实现从接单取放、清理到选品定价补货的全流程智能运营，推动具身智能在便利零售场景规模化商业化。
Anthropic收购Vercept为Claude添加视觉能力 高精度UI识别技术领先OpenAI
Anthropic收购视觉AI公司Vercept，为Claude注入顶尖UI识别能力，使其能像人类一样直接“看懂”屏幕并操作软件，在精度上远超OpenAI。此举结合此前收购的编码能力，标志着Claude正从编程助手进化为全能AI协作伙伴，加速智能体进入视觉时代。
Anthropic收购Vercept 为Claude补齐视觉能力
Anthropic宣布收购AI初创公司Vercept，为其AI智能体工具Computer Use补强视觉能力。Vercept专注于高精度UI识别和空间推理，其视觉优先方案能让Claude像人一样直接操控电脑屏幕，完成跨应用的复杂任务。此次收购旨在提升Claude在视觉理解上的精度，进一步强化其在AI智能体领域的竞争力。
医智未来亮相惠普产业活动 推出颅神经运动功能AI检测方案
北京医智未来科技有限公司在惠普AI智创中心产业活动中展示了其创新的颅神经运动功能AI检测方案。该方案利用高速计算机视觉和原创AI算法，将传统人工评估转化为可量化、可重复的数据化流程，提供60余项量化指标和每秒120帧的分析能力，已获多项专利并进入医院测试阶段。医智未来将借助惠普的算力平台和生态优势，推动该技术在医疗健康领域的标准化和规模化应用。
谷歌DeepMind发布D4RT 赋予AI四维视觉能力
Google DeepMind推出革命性AI模型D4RT，通过融合三维空间与时间维度，赋予AI穿透时空的四维视觉能力。该模型采用统一架构，能实时追踪动态场景、重建3D结构并预测物体运动轨迹，运行速度比现有技术快18到300倍，为机器人导航、增强现实等领域带来突破性进展。
五校联手推出DeSa2VA框架，攻克多模态分割难题
五校联合团队推出的DeSa2VA框架解决了多模态分割中的模态鸿沟问题。文章重点介绍了HO-Cap解决方案，它通过低成本RGB-D相机和AR头显，结合半自动化AI标注流程，高效生成高精度手-物交互3D数据。配套开源的HO-Cap数据集包含65.6万帧数据，覆盖多种日常物体和交互场景，大幅降低了相关研究门槛，并可直接用于机器人操作、VR/AR等领域的训练与测试。
视频AI应用几分钟即可搭建 开源框架VideoPipe简化CV开发
VideoPipe是一款开源视频分析框架，通过创新的管道架构让开发者像搭积木一样快速构建视频AI应用。它支持多源视频流输入、多样化推理引擎，并覆盖从拉流到推流的完整处理链路，极大降低了计算机视觉应用的开发门槛和落地周期。
“一句话生成一个3D模型”：Meta发布SAM 3D，让所有人都成为创造者
Meta AI发布革命性模型SAM3D，只需单张2D照片即可生成带纹理、材质与几何一致性的3D模型。该模型提供通用物体和人像重建两套权重，在真实世界图像上显著优于现有NeRF与Gaussian Splatting方案，Chamfer Distance降低28%，法向一致性提升19%。支持AR/VR、机器人及影视后期应用，已集成至Quest3并开放API调用。
字节发布InfinityStar框架：视频生成效率提升至58秒
字节跳动推出InfinityStar框架，将5秒720p视频生成时间缩短至仅58秒，显著提升视频生成效率。该框架采用时空金字塔模型，有效解耦外观与运动信息，提高生成质量，并通过知识继承策略降低训练成本。支持图像生成、文本生成视频等多种视觉任务，标志着视觉生成技术的重要进步。
37 
0 
五校联合发布！DeSa2VA 框架破解多模态分割模态鸿沟！
五校联合研究团队开发出DeSa2VA框架，通过解耦增强提示技术解决多模态分割中的模态鸿沟问题。该框架将MLLM隐藏状态显式解耦为文本和视觉表征，采用文本-视觉对齐训练和动态掩码融合方案，显著提升了图像、视频分割及视觉问答任务的准确性与鲁棒性，为计算机视觉领域提供了新的技术突破。
阿米奥冯骞团队提出LensDFF方案：仅需单视角演示，机器人实现灵巧抓取新突破
阿米奥冯骞团队提出LensDFF创新方案，通过语言增强的稀疏特征蒸馏技术，让机器人仅需单视角演示就能实现高灵巧度抓取。该方案结合语言特征对齐、五种抓取原语驱动和Real2Sim评估流水线三大创新，有效解决了传统方法的多视角依赖和计算效率问题，在仿真和真实场景中均展现出优异的抓取成功率。
字节跳动Seed团队宣布推出3D生成大模型Seed 3D 1.0
字节跳动Seed团队推出3D生成大模型Seed3D1.0，该模型能够从单张图像端到端生成高质量仿真级3D模型，包含精细几何、真实纹理和PBR材质。采用Diffusion Transformer架构，在几何生成、纹理一致性和材质准确性方面表现优异，超越业界同类模型。这一技术为具身智能提供强大的世界模拟器支持，推动机器人训练和交互式学习发展。
单块GPU上跑出实时3D宇宙，李飞飞世界模型新成果震撼问世
斯坦福李飞飞团队推出实时3D世界模型RTFM，可在单块H100 GPU上运行。该模型通过2D图像输入直接生成多视角新图像，无需显式3D建模，实现了实时、持续的3D一致性渲染。作为学习型渲染器，RTFM融合了重建与生成功能，能处理光照、反射等复杂视觉效果，标志着空间智能领域的重大突破。
