大家好，欢迎收听“Hugging Face 每日AI论文速递”。今天是2024年8月02日，我们将带您快速浏览16篇热门AI论文，涵盖图像与视频分割、多模态语言模型、3D网格重建等多个前沿领域。现在，让我们立即进入今天的论文速递。

[00:25] 🎥 SAM 2: Segment Anything in Images and Videos（SAM 2：图像与视频中的任意分割）

[00:58] 🌐 Coarse Correspondence Elicit 3D Spacetime Understanding in Multimodal Language Model（多模态语言模型中粗略对应关系激发3D时空理解）

[01:30] 🚀 Gemma 2: Improving Open Language Models at a Practical Size（Gemma 2：在实际应用规模下改进开放语言模型）

[02:13] 🌐 SF3D: Stable Fast 3D Mesh Reconstruction with UV-unwrapping and Illumination Disentanglement（SF3D：稳定快速的三维网格重建与UV展开及光照解耦）

[02:55] 📊 OmniParser for Pure Vision Based GUI Agent（基于纯视觉的GUI代理的OmniParser）

[03:30] 📚 Improving Text Embeddings for Smaller Language Models Using Contrastive Fine-tuning（利用对比微调改进小型语言模型的文本嵌入）

[04:04] 🎥 Reenact Anything: Semantic Video Motion Transfer Using Motion-Textual Inversion（重现一切：使用动作-文本反转的语义视频动作转移）

[04:44] 📊 MM-Vet v2: A Challenging Benchmark to Evaluate Large Multimodal Models for Integrated Capabilities（MM-Vet v2：评估大型多模态模型综合能力的一项挑战性基准）

[05:25] 🖼 TurboEdit: Text-Based Image Editing Using Few-Step Diffusion Models（TurboEdit：基于文本的图像编辑使用极少步骤的扩散模型）

[06:06] 📖 Tails Tell Tales: Chapter-Wide Manga Transcriptions with Character Names（尾巴讲述故事：包含角色名称的章节范围漫画转录）

[06:47] 🎭 UniTalker: Scaling up Audio-Driven 3D Facial Animation through A Unified Model（UniTalker：通过统一模型扩展音频驱动的3D面部动画）

[07:30] 🚀 Finch: Prompt-guided Key-Value Cache Compression（Finch：提示引导的键值缓存压缩）

[08:08] 🧩 Non Verbis, Sed Rebus: Large Language Models are Weak Solvers of Italian Rebuses（非言辞，而是实物：大型语言模型在解决意大利文字谜题中的弱点）

[08:46] 📚 Sentence-wise Speech Summarization: Task, Datasets, and End-to-End Modeling with LM Knowledge Distillation（句子级语音摘要：任务、数据集与基于语言模型知识蒸馏的端到端建模）

[09:28] 🌐 Smoothed Energy Guidance: Guiding Diffusion Models with Reduced Energy Curvature of Attention（平滑能量指导：通过减少注意力能量曲率指导扩散模型）

[10:14] 📚 Generalized Out-of-Distribution Detection and Beyond in Vision Language Model Era: A Survey（视觉语言模型时代中的广义分布外检测及其超越：一项调查）

【关注我们】

您还可以在以下平台找到我们，获得播客内容以外更多信息

小红书: AI速递