tag: Computer Vision

เจาะลึก 4 ขั้นตอนการเป็นวิศวกร Computer Vision ยุคใหม่ ตั้งแต่คณิตศาสตร์เชิงพื้นที่ไปจนถึงการปรับแต่งโมเดลบนฮาร์ดแวร์ Edge เพื่อตอบโจทย์อุตสาหกรรมในอนาคต

Black Forest Labs เปิดตัว FLUX.3 Image Klein โมเดลสร้างภาพตัวล่าสุดที่รองรับทั้ง text-to-image และการแก้ไขภาพด้วย layout control ผ่าน bounding box ใช้งานได้ทันทีบน Diffusers

TypeSafe AI ปล่อยโมเดล Jev 1.14 ภายใต้นามแฝง jev-preview เพิ่มฟีเจอร์ทดลองรองรับอินพุตภาพ ประเภทข้อมูล Box สำหรับระบุตำแหน่ง และขยาย Context ได้สูงสุด 262k โทเค็น

GPT-6 Astra ของ OpenAI พัฒนาการมองเห็นจนสามารถระบุจุดที่ประกอบเฟอร์นิเจอร์ IKEA ผิดพลาดได้แม่นยำสูงถึง 80 เปอร์เซ็นต์ ก้าวกระโดดจากระดับ 28 เปอร์เซ็นต์เมื่อช่วงปลายปี 2025

ทีม Qwen จาก Alibaba เปิดตัวโมเดล open-weight รุ่นใหม่ Qwen-Image-2.1 ที่รองรับการสร้างและแก้ไขภาพแบบโปร่งใส รวมถึงใช้ภาพอ้างอิงได้สูงสุด 10 ภาพ โดยสามารถรันบน GPU ระดับผู้บริโภคได้

คู่มือการสร้าง Neural Radiance Field (NeRF) แบบลำดับชั้นตั้งแต่เริ่มต้นด้วย JAX และ Flax โดยใช้ฟังก์ชัน jax3d เพื่อจัดการกระบวนการสร้างโครงสร้าง 3D และการเรนเดอร์ภาพจากมุมมองใหม่ได้อย่างแม่นยำ

MiLM Plus จาก Xiaomi เปิดตัว PROVE เกณฑ์วัดประสิทธิภาพการลบวัตถุด้วย AI ที่เน้นความสอดคล้องทางสายตาโดยไม่ต้องใช้ภาพต้นฉบับอ้างอิง เพื่อแก้ปัญหาเกณฑ์วัดเดิมที่มักให้คะแนนผิดพลาด

เรียนรู้การสร้างระบบ PixelRAG ที่จัดการเอกสาร PDF และหน้าเว็บในรูปแบบรูปภาพโดยไม่ต้องสกัดข้อความ ช่วยเพิ่มประสิทธิภาพการกู้คืนข้อมูลเชิงภาพด้วย Multimodal Embedding และ Hybrid Search

คู่มือการสร้างระบบ OCR ครบวงจรด้วยโมเดล Unlimited-OCR ของ Baidu ที่รองรับทั้งการประมวลผลรูปภาพความละเอียดสูงผ่านโหมด Gundam และการทำงานกับ PDF หลายหน้าที่ซับซ้อนอย่างมีประสิทธิภาพ

Google DeepMind นำเสนอ GenCeption ซึ่งพบว่าโมเดลสร้างวิดีโอสามารถทำงานด้าน Computer Vision ได้อย่างยอดเยี่ยมโดยใช้ข้อมูลฝึกสอนน้อยกว่าเดิมมาก ผลลัพธ์นี้ช่วยสนับสนุนสมมติฐานที่ว่าโมเดลสร้างวิดีโออาจมีแบบจำลองความเข้าใจโลกทางกายภาพแฝงอยู่ภายใน

SmolVLM2-2.2B คือโมเดลที่ลงตัวทั้งด้านขนาดและความสามารถ โดยมีขนาดเล็กพอที่จะรันบน GPU ระดับผู้บริโภคทั่วไปเพียงตัวเดียว แต่ทรงพลังพอที่จะสรุปเนื้อหาวิดีโอและใช้งานในเวิร์กโฟลว์จริงได้อย่างดีเยี่ยม

Robbyant หน่วยงานด้านสมองกลอัจฉริยะของ Ant Group เปิดตัว LingBot-World 2.0 เครื่องจำลองโลกเสมือนที่โต้ตอบได้แบบไร้รอยต่อ โดยใช้กลไก MoBA และ DMD เพื่อแก้ปัญหาภาพบิดเบี้ยวในการสร้างวิดีโอระยะยาว