小伙伴们好我是小嬛。专注于人工智能、计算机视觉、AI大模型领域相关分享研究。【目标检测、图像分类、图像分割、目标跟踪等项目都可做相关领域论文辅导也可以找我需要的可联系备注来意】-------正文开始--------Transformer这块又有新突破了麻省理工学院何恺明团队发布了一项颠覆性研究JiT见下文解析重塑了扩散模型的生成范式无需tokenizer、无需预训练、也无需额外的损失函数即可成为强大的生成模型究其原理这项成果是Transformer在视觉生成领域的功能性改进与应用创新属于Transformer两大主流创新思路中的改良派还是那种直指问题根源的根本性反思类给我们提供了一个非常好的创新切入点示范因此在大多数人都在做加法、堆叠更复杂的模块时建议你也可以试试在主流任务中针对关键瓶颈进行深度改进。当然为了帮助你快速找到灵感我已备好23-25年的经典论文和写作技巧与创新点结合有需要的朋友可以加我小助理发送977C 领取Back to Basics: Let Denoising Generative Models Denoise方法论文提出JiT方法创新性地让Transformer直接预测干净图像而非噪声或含噪量依托流形假设仅保留低维数据信息无需预训练、分词器或额外损失通过大尺寸图像块处理和瓶颈结构设计在高分辨率像素空间实现高效生成践行DiffusionTransformer的通用自包含范式。创新点让Transformer直接预测干净图像而非噪声或含噪量契合流形假设降低高维空间建模难度。采用“Just Image Transformers”极简设计无需预训练、分词器及额外损失实现自包含的扩散生成。通过大尺寸图像块处理与瓶颈结构在高分辨率像素空间高效生成践行通用“Diffusion Transformer”范式。The Scalability of Simplicity: Empirical Analysis of Vision-Language Learning with a Single Transformer方法论文提出 SAIL 方法创新地采用单一 Transformer 统一架构摒弃独立视觉编码器通过混合注意力机制图像块双向注意力 文本因果注意力与多模态旋转位置编码端到端学习视觉 - 语言交互无需额外模块或预训练视觉组件实现兼具强跨模态性能与优质视觉表征能力的高效建模。创新点采用单一Transformer架构统一处理图像与文本摒弃传统独立视觉编码器及对齐模块实现端到端跨模态建模。设计混合注意力机制与多模态旋转位置编码适配图像2D空间特性与文本1D序列特性强化跨模态对齐。无需预训练视觉组件仅通过两阶段预训练与数据/模型缩放同时具备强视觉-语言任务性能和优质视觉表征能力。Hallo3: Highly Dynamic and Realistic Portrait Image Animation with Video Diffusion Transformer方法论文提出 Hallo3 方法创新地将预训练 Transformer-based 视频扩散模型应用于肖像图像动画通过设计含因果 3D VAE 与堆叠 Transformer 层的身份参考网络、跨注意力机制融合音频条件、运动帧辅助长视频外推的方案解决非正面视角、动态前景 / 背景等难题实现高动态、高真实度且身份一致的肖像动画生成。创新点首次将预训练DiT-based视频扩散模型应用于肖像动画突破传统U-Net架构局限适配非正面视角、动态场景等复杂需求。设计含因果3D VAE与堆叠Transformer层的身份参考网络通过自注意力机制注入身份特征保障长视频序列中面部身份一致性。采用跨注意力机制融合音频嵌入实现精准唇同步结合运动帧条件机制支持长时长视频外推生成。Dita:Scaling Diffusion Transformer for Generalist Vision-Language-Action Policy方法论文提出 Dita 方法创新地采用基于 Transformer 的扩散架构通过上下文内条件机制让 Transformer 直接对连续动作序列去噪融合语言指令、视觉观测与时间步嵌入无需独立扩散头或动作离散化实现跨多机器人数据集的高效迁移仅需 10-shot 微调即可适配复杂长时任务与真实机器人场景。创新点采用基于Transformer的扩散架构通过上下文内条件机制直接对连续动作序列去噪无需独立扩散头或动作离散化。融合语言指令、视觉观测与时间步嵌入为统一令牌序列让模型捕捉历史视觉观测中的动作细微变化。依托Transformer的可扩展性适配跨机器人数据集仅需10-shot微调即可迁移至复杂长时任务与真实机器人场景。感谢各位观众的观看和支持祝大家的论文早日accept希望论文一路绿灯的朋友可以找我我有团队有资源有背景一条龙服务~~~~