@NielsRogge：非常酷的工作！！ Modality Forcing 在5个单目深度估计基准中的4个上达到了SOTA。探索论文及……
摘要
Bardienus Duisterhof 介绍了 Modality Forcing，这是一种对训练后的文本到图像（T2I）模型进行后处理的方法，在5个单目深度估计基准中，有4个达到了最先进的结果。
查看缓存全文
缓存时间: 2026/06/15 17:05
非常酷的工作！！
Modality Forcing 在五个单目深度估计基准中的四个上达到了 SOTA。🏆
查看论文和评估：https://t.co/i9WcxlpIdY https://t.co/eKNlbOUqWu
Bardienus Duisterhof (@BDuisterhof): 介绍 Modality Forcing，一种对训练后的 T2I 模型进行后期调整的配方，用于实现 SOTA 的 RGB-深度生成！
文本到图像（T2I）模型学习了丰富的空间世界表征。
我们如何基于这一先验知识实现高质量的深度生成？
https://t.co/uJjGHNiDBu
🧵 [1/6]
相似文章
@NielsRogge: 优秀的论文，已在此处开放：https://paperswithcode.co/paper/98589 查看它与其他文本到图像模型的对比…
一篇关于文本到图像生成的论文已发布，附有开源代码、模型和完整的训练方案，并与其他模型的性能进行了比较。
超越文本主导：理解全模态大语言模型的模态偏好
# 论文页面 - 超越文本主导：理解全模态大语言模型的模态偏好 来源：[https://huggingface.co/papers/2604.16902](https://huggingface.co/papers/2604.16902) ## 摘要 研究发现，原生全模态大语言模型表现出相对于文本的视觉偏好，模态偏好在模型中后层逐步涌现，并可用于诊断跨模态幻觉。原生[全模态大语言模型](https://huggingfa
无需训练的多模态大语言模型密集手部接触估计
本文提出ContactPrompt，一种利用多模态大语言模型进行密集手部接触估计的免训练零样本方法，无需训练即优于监督方法。
通过多模态突破纯文本瓶颈？
本文讨论了多模态 AI 模型（如 GPT-4o 和 Claude 3.5 Sonnet）如何通过支持可视化调试、音频转数据以及增强型 RAG 系统，来克服纯文本处理的瓶颈。
Lens：重新思考基础文本到图像模型的训练效率
Lens是微软推出的一款紧凑型38亿参数文本到图像模型，在训练计算量显著降低的同时，通过密集描述、多分辨率批处理和高效架构，达到了与更大模型竞争甚至超越的性能。