千人悬赏破解Manga Translator：探秘AI漫画翻译背后的排版算法
近日，技术社区Linux.do发起了一项针对Manga Translator插件的后端逆向分析悬赏。该话题聚焦于一个被忽视的技术细节：为何该AI工具能将翻译后的文本完美适配漫画原本不规则的大小和形状？发帖者表示，尽管能复现翻译功能，但在气泡...
标签索引
计算机视觉
这个标签下有 31 篇文章。按时间回看相关判断与实践记录。
标签精选
相关内容
开源 AI Agent openEagle 登场：基于纯视觉感知操控电脑，像人一样操作
openEagle 是一款新兴的开源桌面 AI Agent，其核心亮点在于采用纯视觉感知技术来操作电脑。不同于依赖 CLI 或 DOM 选择器的传统工具，openEagle 结合截图与视觉理解模型，能像人类一样通过分析屏幕内容来控制鼠标和键...
Auge Vision：让开发者直接在终端调用计算机视觉能力
Auge Vision 是一款新兴的命令行工具，旨在将计算机视觉和 OCR（光学字符识别）能力直接集成到开发者的终端环境中。尽管目前社区反馈显示其在中文识别的示例演示中可能存在瑕疵，但这并未掩盖其作为“终端原生 AI”的创新价值。该项目代表...
多模态AI新进展：TIPSv2通过增强“补丁-文本”对齐提升视觉语言预训练效果
TIPSv2 是一项针对视觉语言预训练（VLP）的最新研究成果，旨在解决现有模型在图像局部细节理解与文本语义对齐上的不足。该模型通过引入增强的“补丁-文本”对齐机制，将图像的细粒度特征（Patches）与相应的文本描述进行更精准的匹配。相比...
告别触屏？这个AI演示让你用手势隔空控制地图
这是一个基于计算机视觉技术的创新交互演示项目。该技术通过摄像头捕捉并识别用户的手部动作，实现了在网页端“隔空”对地图进行缩放、平移等控制。虽然评论指出目前该演示尚未完全兼容手机移动端浏览器，主要适用于桌面环境，但它生动地展示了非接触式人机交...
从观鸟到脑科学：梭状回面孔区（FFA）的发现之旅
本文回顾了顶尖神经科学家（Nancy Kanwisher）如何从观察鸟类行为起步，最终在大脑中定位并发现专门负责“面孔识别”的梭状回面孔区（FFA）的科研历程。这一发现彻底改变了人类对大脑视觉处理机制的理解。对于关注前沿科技的读者，理解生物...
AI 照片融合工具上线：攻克光影与一致性难题，实现亲人“回归”合影
一款基于 AI 的照片融合工具近日引发关注，其核心功能是将两张照片中的人物（如已故亲人）无缝融合到同一场景中，支持半身、全身及破损照片的任意组合。开发者指出，该产品的技术门槛不在于简单的融合，而在于解决角色与场景的一致性、空间位置、光影融合...
谷歌霸主地位终结！百度PaddleOCR登顶GitHub全球第一，5M参数模型竟媲美GPT-4o
近日，百度开源项目PaddleOCR在GitHub上Star数正式超越谷歌老牌项目Tesseract，终结了后者长达20年的统治地位，成为全球排名第一的OCR开源工具。此次登顶得益于其技术实力的显著突破，刚刚入选CVPR 2026的PP-O...
AI科研现状：当“讲故事”比硬技术更重要，研究生面临学术内卷
一位准研究生的经历揭示了当前计算机视觉领域的科研困境：大方向极度内卷，细分领域研究往往沦为“拼凑”。文中指出，许多SOTA论文通过“讲故事”和“选择性比较”掩盖实际性能不足，而非依靠实质性技术突破。同时，面对AI系统（如FARS）在短时间内...
转型AI的技术选型困惑：大模型微调是否必要？YOLO与多模态在工业场景的应用辨析
一位具备后端开发经验的开发者在 Linux.do 社区发帖求助，探讨从零基础入门大模型微调及计算机视觉（CV）的最佳路径。其实际应用目标明确为工地场景下的安全检测（如安全帽佩戴、违规操作识别）。发帖者面临核心技术选型困境：是直接使用 Uns...