Google har nettopp oppdaget en kraftig emergent funksjon i Veo 3 - kommenter instruksjonene dine visuelt på startrammen, og Veo gjør det bare for deg! I stedet for å iterere i det uendelige på den perfekte ledeteksten, og definere komplekse romlige forhold i ord, kan du bare tegne det ut som du ville gjort for en menneskelig kunstner. Denne funksjonen ber om en skikkelig brukeropplevelse, men foreløpig er det bare å krusedulle i appen du ønsker, og bruke «rammer til video» i Google Flow.

Nå for en anstendig arbeidsstasjon ($5900) kan du også ha din egen humanoide robot – komplett med AI-stemme og persepsjonsfunksjoner.

Kreativ oppskalering ftw! Gjør luftfotogrammetri i stor høyde om til dronebilder i lav høyde. En så kul måte å ramme inn bildene du vil ha i Google Earth og bruke en FLUX Kontext LoRA for å ta det hele veien.

Ganske snart vil iPhone bruke FaceID for å sikre at det faktisk er du som bruker enheten din mens du ruller, engasjerer deg og legger ut. Apple er unikt posisjonert for å gjøre alt dette på enheten på en personvernbevarende måte. "Oppmerksomhetsbevisste" funksjoner er allerede et skritt i denne retningen – iPhone tar et infrarødt bilde med lav oppløsning med noen sekunders mellomrom for å sjekke blikket ditt for å se om du tar hensyn til skjermen. Det neste trinnet vil være å fortelle en app at det faktisk er deg, eller rett og slett at det er et ekte menneske som bruker enheten, og ikke en bot.

Noen ganger har du øyeblikk på scenen du aldri vil glemme.

Å kombinere den eksplisitte kontrollen til 3D-programvare med kreativiteten til generative AI-modeller er en lovende, men undervurdert arbeidsflyt. Bygg 3D-scenene dine prosedyremessig ved å beskrive dem på naturlig språk, og ta dem deretter hele veien med bilde- og videomodellene du velger. Verktøy som immaterielle er bygget rundt en slik arbeidsflyt, slik at du ikke trenger å teipe apper sammen. Ganske kult!

SpatialTrackerV2: enhetlig, ende-til-ende 3D-punktsporingsmodell som samtidig estimerer kamerabevegelser, konsistent geometri og pikselmessige 3D-baner.

SceneScript behandler 3D-rekonstruksjon som et språkproblem i stedet for et geometrisk problem. Modellen ser på en video av et rom og lærer bare å skrive et manus til det. Den spytter autoregressivt ut tekstkommandoer som make_wall(...) eller make_bbox(...) som definerer scenen. Stanfords nye «Scene Language»-artikkel går et skritt videre og legger til CLIP-innbygginger for å fange visuelt utseende også. Det faktum at språkmodeller allerede forstår romlige forhold godt nok til å skrive ut scenegrafer er ganske vilt.

Vi kan bare generere byer ved å bruke åpen kildekode 3d-programvare og billige plugins

Google Earth er bokstavelig talt en Wayback-maskin for hele planeten