视觉生成技术(一)

在线体验各类最新模型,更有模型 免费Token 额度领取!
立即体验
简介: 阿里云高校计划视觉AI五天训练营教程 Day 1笔记。

打卡:
image.png

视觉生成技术
1.视觉生成的定义:通过一个/一系列视觉过程,产生新的视觉表达。
image.png
2.视觉生产——分类
image.png
3.视觉生成——通用基础框架
输入——》产生类型——》视觉产生引擎——》输出图像/视频/3D
4.视觉生产——五个关键维度
①:可看
②:合理
③:多样
④:可控
⑤:可用
5.分割抠图——解题思路
image.png多用于广告图设计
6.视觉生成——案例——鹿班
7.视觉编辑——移花接木。
①视频植入
②视频内容擦除
③文字擦除
④Logo擦除
⑤画幅变化
⑥图像尺寸变化
8.视觉增强
①视频增强
②人脸修复增强
③视频超分
④视频插帧
⑤HDR色彩扩展

9.视觉制造

总结:本节课主要讲了AI视觉的各个方面的应用和分类,可以通过AI视觉技术来改善用户体验。

相关文章
|
2月前
|
机器学习/深度学习 自然语言处理 搜索推荐
大模型应用开发核心认知与技巧指引:从提示工程到智能Agent的完整实践.111
本文系统讲解大模型应用开发核心路径:从API调用基础,到提示工程(结构化指令、Few-shot、思维链CoT),再到高阶智能Agent(感知-思考-行动-反馈闭环)。强调“目标式编程”范式转变,聚焦如何驾驭大模型解决非结构化问题,助力开发者快速落地实用应用。
361 6
|
7月前
|
监控 Kubernetes 安全
边界已死,信任重构:零信任架构的真相与落地心法
边界已死,信任重构:零信任架构的真相与落地心法
317 17
|
11月前
|
消息中间件 安全 Android开发
抖音私信脚本怎么制作,用autojs?
AutoJS通过Android无障碍服务模拟用户操作,其抖音私信脚本主要依赖三大技术模块: 控件定位层
|
6月前
|
人工智能 机器人 程序员
去年我用一张Excel表"规划"学习,结果把自己逼进了ICU——直到我学会让AI帮我排兵布阵
本文以作者因"完美计划表"累倒入院的亲身经历切入,分享了一套让AI担任私人学习规划师的完整指令模板。通过"目标拆解""遗忘曲线复习""弹性时间"三大机制,解决目标模糊、复习逃避、计划崩溃等常见学习痛点,并提供上班族、学生、转行者三种典型场景的实战案例。
850 18
|
6月前
|
人工智能 API 开发者
2026 AI 转型指南:从 Coze API 架构到智能体运营工程师能力模型解析
在AI 2.0时代,Coze API推动智能体从技术走向生产力。本文聚焦西南实践,解析API调用到商业落地的全流程,揭秘“智能体来了”如何通过插件集成、工作流编排培养具备运营思维的AI工程师,助力开发者转型,抢占智能体时代新机遇。
350 0
|
12月前
|
数据安全/隐私保护
解释对称加密、非对称加密、哈希摘要
加密技术分为对称加密与非对称加密。对称加密使用同一密钥进行加解密,速度快但需严保管密钥;非对称加密则用公钥加密、私钥解密,安全性高但速度较慢。哈希摘要用于验证数据完整性,代表原始数据特征。
311 0
|
6月前
|
机器学习/深度学习 人工智能 算法
拒绝数据荒!手部分带你用合成数据开启大模型实战
本文深入探讨大模型时代的关键突破:合成数据与参数微调。面对高质量数据稀缺、隐私与成本难题,合成数据成为“无中生有”的解决方案。从技术原理到实践步骤,解析如何利用大模型生成数据、优化训练,并通过LLaMA-Factory等平台实现低成本定制化AI。未来,每个企业都将拥有专属“智能大脑”。
394 0
|
人工智能 运维 Kubernetes
2025 超详细!Lens Kubernetes IDE 多平台下载安装与集群管理教程
Lens 是一款企业级 Kubernetes 可视化操作平台,2025版实现了三大技术革新:AI智能运维(异常检测准确率98.7%)、多云联邦管理(支持50+集群)和实时3D拓扑展示。本文介绍其安装环境、配置流程、核心功能及高阶技巧,帮助用户快速上手并解决常见问题。适用于 Windows、macOS 和 Ubuntu 系统,需满足最低配置要求并前置依赖组件如 kubectl 和 Helm。通过 Global Cluster Hub 实现多集群管理,AI辅助故障诊断提升运维效率,自定义监控看板和插件生态扩展提供更多功能。
|
机器学习/深度学习 数据采集 人工智能
《大模型训练成本高,如何在不牺牲性能的前提下破局》
在人工智能领域,大模型训练成本高昂,主要源于硬件设备、数据处理和算法优化的需求。降低训练成本的关键在于合理配置硬件资源、改进数据处理方法、优化算法和模型结构,以及采用分布式训练技术。通过这些措施,企业可以在不影响模型性能的前提下,显著减少计算资源、人力和时间的投入,实现更高效的模型训练。实践证明,综合运用这些方法能够有效降低成本,推动人工智能技术的可持续发展。
1089 18