视觉 AI 的「Foundation Model」，已经发展到哪一步？丨CVPR 2024 现场直击

文章摘要

【关 键 词】 CVPR会议、AIGC获奖、视觉模型、自动驾驶、多模态研究

视觉Foundation Model成为会议的核心主题之一。两篇最佳论文均颁给了AIGC，图像和视频合成与生成领域的论文数量达到329篇，位居榜首。

上海人工智能实验室的OpenGVLab展示了最新的视觉多模态基础模型研究成果InternVL-1.5，该模型以其强大的视觉编码器、高动态分辨率和高质量双语数据集受到业界关注。

GPT-4o团队分享了其技术路线，采用DALL·E、GPT和TTS技术实现跨模态转化。

InternVL研究员认为，与OpenAI路线不同，InternVL专注于同一模型上不同模态的输入与文本理解的输出。

思谋科技研究员张岳晨指出，视觉基础模型的难点在于大规模高质量数据的收集和训练。

南洋理工大学副教授张含望认为，视觉基础模型研究中常忽视“理解任务”和“生成”任务的互斥性。

自动驾驶在CVPR上占据了重要位置，重点研究如何将大模型应用于自动驾驶场景。

今年的趋势是利用大语言模型为自动驾驶端到端技术提供新思路和解决方案。

CVPR 2024自动驾驶国际挑战赛吸引了全球近500支队伍参赛。

自动驾驶领域的研究重点在于Planning和Perception。

CVPR 2024展示了视觉Foundation Model和自动驾驶领域的最新研究成果和趋势。

原文和模型

【原文链接】 阅读原文 [ 4668字 | 19分钟 ]
【原文作者】 AI科技评论
【摘要模型】 moonshot-v1-32k
【摘要评分】 ★★★★★

Moonshot AI

月之暗面是一家 AI 初创大模...