本期为TechBeat人工智能社区第659期线上Talk。
北京时间1月23日(周四)20:00,上海交通大学博士生唐安妮的Talk将准时在TechBeat人工智能社区开播!
她与大家分享的主题是: “VidTok - 一套开源的全能视频Tokenizer”,届时她将分享一款性能全面领先的开源视频Tokenizer。
主题:VidTok - 一套开源的全能视频Tokenizer 长按识别二维码,一键预约TALK!
近年来,视频生成以及基于此的世界模型已经成为人工智能领域的热门研究方向,这两者的核心在于对视频内容的高效建模。视频中蕴含了丰富的视觉信息,不仅能够提供真实的视觉体验,更能作为具身场景中模型理解世界的中间媒介。然而,由于视频像素级表示信息高度冗余,如何通过Tokenizer对视频数据进行高效压缩和表示成为关键课题。近日,来自微软亚研院和上海交大的学者们正式发布了VidTok,一款性能全面领先的开源视频Tokenizer。1. 背景与动机 - 视频Tokenizer的重要性与研究现状2. 技术亮点 - 介绍VidTok的模型结构、离散技术、训练策略
3. 优势总结 - 展示实验结果,揭示先进性、全面性、开源性
4. 代码工具使用 - 如何使用开源代码
5. 后续规划 - 发布更多模型,以及性能优化等
Talk·预习资料
▼
论文链接:
https://arxiv.org/abs/2412.13061
代码链接:
https://github.com/microsoft/VidTok
论文链接:
https://arxiv.org/abs/2309.15505
代码链接:
https://github.com/google-research/google-research/tree/master/fsq
论文链接:
https://arxiv.org/abs/2310.05737
代码链接:
https://github.com/lucidrains/magvit2-pytorch
论文链接:
https://arxiv.org/abs/2409.01199
代码链接:
https://github.com/PKU-YuanGroup/Open-Sora-Plan
论文链接:
https://arxiv.org/abs/2408.06072
代码链接:
https://github.com/THUDM/CogVideo
论文链接:
https://arxiv.org/abs/2501.03575
代码链接:
https://github.com/NVIDIA/Cosmos
Talk·提问交流
▼
在Talk界面下的【交流区】参与互动!留下你的打call🤟和问题🙋,和更多小伙伴们共同讨论,被讲者直接翻牌解答!你的每一次贡献,我们都会给予你相应的i豆积分,还会有惊喜奖励哦!唐安妮,女,上海交通大学信息与通信工程专业博士研究生在读,于2020年获得上海交通大学信息工程专业学士学位。研究领域包括视觉生成,多模态AI,视觉表征研究等,在TPAMI、NeurIPS、ACM MM等国际顶级期刊会议上发表论文十余篇。具有国家级科研项目参与经历,以及大厂、跨国公司研究实习经历。个人主页:
https://www.techbeat.net/grzytrkj?id=43517
如果你也想成为讲者
▼
单人Talk | 团队专场 | 录播or直播 | 闭门交流
TechBeat(www.techbeat.net)隶属于将门创投,是一个荟聚全球华人AI精英的成长社区。我们希望为AI人才打造更专业的服务和体验,加速并陪伴其学习成长。期待这里可以成为你学习AI前沿知识的高地,分享自己最新工作的沃土,在AI进阶之路上的升级打怪的根据地!更多详细介绍>>TechBeat,一个荟聚全球华人AI精英的学习成长社区