showlab

वीडियो जनरेशन, एडिटिंग और विभिन्न अन्य अनुप्रयोगों के लिए हालिया डिफ्यूजन मॉडल की एक क्यूरेटेड सूची।

वैज्ञानिक शोध पत्रों से स्वचालित वीडियो जनरेशन।

[ICML 2026] कोड के माध्यम से वीडियो जनरेशन

[ICLR & NeurIPS 2025] Show-o श्रृंखला के लिए रिपॉजिटरी, मल्टीमॉडल समझ और पीढ़ी को एकजुट करने के लिए एक सिंगल ट्रांसफॉर्मर।

Windows और macOS के लिए आउट-ऑफ-द-बॉक्स (OOTB) GUI एजेंट

[CVPR 2025] GUI एजेंट और कंप्यूटर उपयोग के लिए ओपन-सोर्स, एंड-टू-एंड, विजन-लैंग्वेज-एक्शन मॉडल।

💻 मल्टी-मोडल ग्राफिकल यूजर इंटरफेस (GUI) एजेंटों के लिए पेपर और संसाधनों की एक क्यूरेटेड सूची।

[IJCV] Show-1: टेक्स्ट-से-वीडियो जनरेशन के लिए पिक्सेल और लातेंट डिफ्यूजन मॉडल का मिलान

[ECCV 2024 Oral] MotionDirector: टेक्स्ट-टू-वीडियो डिफ्यूजन मॉडल का मोशन कस्टमाइजेशन

मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स (MLLM) के मतिभ्रम (hallucination) पर केंद्रित संसाधनों की एक क्यूरेटेड सूची।

यूनिफाइड मल्टीमॉडल मॉडल्स से संबंधित पेपर्स, कोड और अन्य संसाधनों को व्यवस्थित करने के लिए एक रिपॉजिटरी।

[CVPR 2024] X-Adapter: अपग्रेडेड डिफ्यूजन मॉडल के लिए प्लगइन्स की यूनिवर्सल संगतता जोड़ना।

VideoLLM-online: स्ट्रीमिंग वीडियो के लिए ऑनलाइन वीडियो लार्ज लैंग्वेज मॉडल (CVPR 2024)।

[CVPR 2025] शब्दावली के रूप में वीडियो नरेशन और लंबे दस्तावेज़ के रूप में वीडियो

[ECCV 2024] DragAnything: एंटिटी रिप्रेजेंटेशन का उपयोग करके किसी भी चीज़ के लिए मोशन कंट्रोल