-
日期: 2026-02-01 | 來源: 智東西 | 有0人參與評論 | 字體: 小 中 大
Emu3的性能與最先進的擴散模型相當
如下圖所示，在文生圖任務中，其效果達到擴散模型水平；在視覺語言理解方面，其可以與融合CLIP和大語言模型的主流方案比肩。
Emu3在文生圖和視覺語言理解上比肩主流方案
在視覺語言理解方面，如下圖所示，Emu3作為壹種純粹的無編碼器方法，在多個基准測試中達到了與其同類方法相當的性能。取得這樣的視覺-語言理解能力，Emu3並未依賴專門的預訓練大語言模型和CLIP。
Emu3在視覺-語言理解能力方面的測評成績
在零樣本圖像修復案例中，給定輸入圖像（每行左側）和相應提示，Emu3能准確填充邊界框內的掩碼區域，生成語義對齊的內容，且無需特定任務的微調。
Emu3零樣本圖像修復
同時，Emu3還具備視頻生成能力。Emu3原生支持生成24幀/秒的5秒視頻，並可通過自回歸方法進行擴展。如圖所示，在擴展數據表3中，Emu3所產生的結果與其他視頻擴散模型相比具有很強的競爭力：Emu3的性能超過Open Sora V1.2、Kling（2024）、Gen-3等當年的知名專用模型。
- 新聞來源於其它媒體，內容不代表本站立場！
-
原文鏈接
原文鏈接:
目前還沒有人發表評論, 大家都在期待您的高見