正在加载视频...

视频加载失败

用 GPT Image 2 + Seedance 2.0,还原了故宫太和殿的建造全过程🤩 方法很简单,先用 Image 2 生成建筑完整模型、组件拆解图和建造流程图,再喂给 Seedance 2.0 生成动画 以前三维建模团队的活,现在两个 AI 工具就能基本跑通 (具体方法见评论区)

189,501 次观看 • 5 个月前 •via X (Twitter)

0 条评论

暂无评论

原始帖子的评论将显示在这里

相关视频

最近一段时间都在关注模型、建模、仿真、优化 这些都是有趣课题,值得去了解学习 在这里我简单介绍两款开源项目: Webots 和 Modelica & OpenModelica 视频1是Webots的自动驾驶仿真 视频2是OpenModelica 6气缸的 v6 引擎仿真 模型,模拟仿真,物理引擎,机器人,自动驾驶,都是非常重要的课题和基础 Webots 是一款用于模拟机器人的开源多平台桌面应用程序 之前也提及:汽车自动驾驶其实就是一个大号机器人,软件定义汽车已是趋势 Webots 提供了一个完整的开发环境来建模、编程和模拟机器人 它为专业用途而设计,广泛应用于工业、教育和研究 Webots 基于 C++/Qt 构建,支持 ROS Webots 依靠 ODE(Open Dynamics Engine,开放动力学引擎)进行物理模拟 因此,一些 Webots 参数、结构或概念引用了 ODE ODE 有着广泛的应用,值得更多关注 Webots + ODE + ROS 一个完整的机器人自动驾驶模拟仿真工具链 一个思考:我们的世界是个建模仿真还是一个真实存在 -------------- 建模很重要 Model knowledge is stored in books and human minds which computers cannot access 数值分析、科学计算软件包基本都会搭载建模仿真工具,比如 MATLAB 有 Simulink Scilab 有 Xcos 当然,也有很多专注建模和仿真的开源工具,上面介绍的 Webots,接着再给大家介绍下 Modelica & OpenModelica Modelica 是开源建模语言 OpenModelica 是一个基于 Modelica 的开源建模和仿真环境 (基于 C/C++/Qt 构建),包含编译器和运行时,旨在供工业和学术用途 基于建模语言和仿真环境去学习研究和实践数学建模、物理模拟和科学工程都是非常好的方式 类似将 MATLAB/Octave/Scilab 用于数值分析和科学计算是同样道理 Modelica 基本理念: 设计一种建模语言,满足多领域物理系统建模与仿真工程应用,可用于几乎所有工程领域的建模,从而摆脱针对特定专业领域工具的限制 换言之,Modelica 即是建模语言,同时也是模型交换与重用的标准 众多面向对象建模语言开发商共同一起,基于他们的经验,研究建立多领域物理系统的建模规范 Modelica 可以解决用连续微分代数方程组(DAEs)表示的许多问题 Modelica 使用 DAEs,而避免使用常微分方程 (ODEs) 描述物理世界,从而在建立方程方面减轻了建模人员的负担 Modelica 支持连续变量和离散变量两种方式在同一组件模型或系统模型中使用 Modelica 模型标准库,Modelica Standard Library, MSL 开发 MSL 的目的是让使用 Modelica 语言的用户,不用开发底层基本的组件模型,就可以开展物理系统的建模和仿真工作 用户需要掌握 Modelica 语言的基础,并学会怎样有效地使用 MSL 目前版本的 MSL 包含 1417 component models and blocks, 512 example models, and 1219 functions Modelica 是开源建模语言,采用类似 C++ 的发展模式,希望能最终纳入 ISO, ANSI, IEEE 标准体系 如果不出意外,Modelica 极有可能会像 C++ 一样成为一种流行的物理系统建模语言,我们拭目以待吧 有关 Modelica & OpenModelica 的介绍和快速了解,可下载官方提供的 200 多页幻灯片资料 从 1997 年 1.0 版到现在正在开发的 3.7 版,Modelica 建模语言之路也已走了快 30年 ---------------------- ps: 国内外的很多差距其实就体现在这些方面,国外很多研究和应用可以一直持续几十年不间断。(展开,包括很多知名摇滚重金属乐队,动不动就是30,40年历史,国内乐队大多昙花一现,有些东西确实没办法) 我们更多是热点来了一哄而上,热度退却,再一哄而散。没有10年,几十年甚至上百年的积累沉淀,怎么比和竞争呢 所以不要盲目的瞎高潮,克制住站在巨人肩上取得一点进展的狂喜中迷失自我

灰狐

13,010 次观看 • 1 年前

兄弟们,最近我扒了全网比较好用的电商提示词,做了一套「全平台通用电商视觉引擎工作流」。 目前已经在 SkildArt 跑通: 上传一张产品图,就能生成 12 张电商套图。 重点不是让 AI 随便出一张好看的商品图,而是把电商视 觉拆成可复用流程: 主视觉/产品中心图/卖点图/场景图/细节图/规格图/横版首屏图 每张图都有明确用途。 产品不能变形,Logo 不能乱跑,卖点不能瞎编,整组图风格要统一。 我实测下来,SkildArt 这类电商视觉工作台确实更适合做成套内容: 无限画布适合搭复杂生图流程; Agent 对话适合单张图灵活设计; 局部修改很方便; 视频模型也能和画布结合使用。 我还复刻了最近很火的「低能量穿搭换装」视频。 先在画布生成两组穿搭场景: 一组普通职业 Look, 一组明亮夏日多巴胺配色。 再切到视频模型,输入简单的转场和运镜描述,就能生成换装视频原素材。后面简单剪辑加 BGM 就能发。 以前这类内容要实拍两套造型,还要对镜头和节奏,现在工作流能直接把门槛拉低很多。 我觉得 AI 电商图真正的价值,不是单张图好看,而是稳定生成一整套能卖货的视觉资产。 完整工作流和低能量穿搭复刻提示词,可以去 SkildArt 广场搜关键词: 电商系统通用、夏日多巴胺换装 全部开源到里面了

知识猫AI实验室

88,085 次观看 • 3 个月前

Google推出了一种在 StableDiffusion 图像生成中保证内容特征一致性的方式。 这个其实是现在图像生成中一个非常重要的问题,故事可视化、游戏开发资产设计、广告等都需要在生成的时候具备角色或者内容的一致性。 从演示来看效果非常好人物角色和其他内容的特征都保持的非常好,他们有一个示例是一个男人的一生十几张不同年龄段的图片都很像能看出来是一个人。 而且这个项目还可以跟 SD 已有的控制方式结合,比如局部重绘和 Controlnet 等。下面是具体的介绍: 实现方法: 身份聚类:这一步骤涉及首先生成一系列图像,然后将这些图像嵌入到一个语义空间中。接着,使用聚类算法将这些图像分组,每个组代表一种可能的角色身份。这个过程旨在识别出一组视觉上一致的图像,从而确定角色的主要视觉特征。 身份提取:在确定了一组具有高内聚性的图像之后,接下来的步骤是通过在这些图像上训练模型来提炼出一个更一致的角色身份。这意味着模型将学习到特定角色的关键视觉特征,以便在未来的生成中更准确地重现这些特征。 收敛性:方法的最后一个步骤是迭代过程,该过程在达到一定的收敛标准时停止。在每次迭代中,模型基于最新的训练数据生成新的图像,并重新进行聚类和身份提取。这个过程重复进行,直到模型能够可靠地生成具有一致视觉身份的角色为止。 效果验证: 定性和定量比较:在这一部分,作者将他们的方法与其他个性化文本到图像生成技术进行比较。这包括通过视觉和数值指标来评估生成图像的一致性和质量。 用户研究:作者还进行了一项用户研究,以评估他们的方法在实际使用中的效果。这包括让用户评价生成图像的一致性和吸引力。 消融研究:这部分是对方法中不同组件的效果进行评估。通过修改或移除方法的某些部分,作者能够理解每个组成部分对最终结果的贡献。 论文链接:

歸藏(guizang.ai)

125,824 次观看 • 2 年前