分类目录归档：多模态
Animagine XL 是一款高分辨率的潜在文本生成模型，使用精选的优质动漫风格图像数据集，在学习率为 4e-7、批量大小为 16 的情况下进行了 27000 个全局步骤的微调。该模型派生自 Stable Diffusion XL 1.0。
你可以使用以下工具：
像其他动漫风格的 Stable Diffusion 模型一样，它也支持 Danbooru 标签生成图像。
例如：面部焦点，可爱，杰作，最佳质量，1 女孩，绿色头发，毛衣，看着观众，上半身，无檐帽，室外，夜间
它可以生成多样化且可定向行为的角色。该方法通过模仿学习来学习语义运动表示，以捕捉人体运动的复杂性和多样性，并能够直接控制角色运动。该方法联合学习控制策略和运动编码器，该编码器可以重建给定运动的关键特征，而不仅仅是复制它。该方法分为三个阶段：第一阶段是低级训练，CALM 学习编码器和解码器；第二阶段是方向性控制，高级任务驱动策略被用来选择潜在变量，这些变量被提供给生成所请求的动作的低级策略；第三阶段是推理，先前训练的模型（低级策略和方向控制器）组合起来组成复杂的动作。在这个阶段，用户可以生成一个包含标准规则和命令的有限状态机 (FSM)，这些决定了执行哪个动作。该方法的实验结果表
视频片段检索旨在利用用户给出的自然语言查询语句,在一个长视频中找到最符合语句描述的目标视频 片段.视频中包含丰富的视觉、文本、语音信息,如何理解视频中提供的信息,以及查询语句提供的文本信息,并进行 跨模态信息的对齐与交互,是视频片段检索任务的核心问题.本文系统梳理了当前视频片段检索领域中的相关工作,将它们分为两大类:基于排序的方法和基于定位的方法. 其中,基于排序的方法又可细分为预设候选片段的方法和有 指导地生成候选片段的方法;而基于定位的方法则可分为一次定位的方法和迭代定位的方法.本文还对本领域的数 据集和评价指标进行了介绍,并对一些模型在多个常用数据集上的性能进行了总