Google har precis upptäckt en kraftfull framväxande funktion i Veo 3 - kommentera dina instruktioner visuellt på startramen, och Veo gör det bara åt dig! Istället för att iterera i all oändlighet på den perfekta uppmaningen och definiera komplexa rumsliga relationer i ord, kan du bara rita ut det som du skulle göra för en mänsklig konstnär. Den här funktionen ber om en ordentlig UX, men för tillfället är det bara att klottra i din valda app och använda "ramar till video" i Google Flow.

Nu, till ett pris av en anständig arbetsstation ($5900) kan du också ha din egen humanoida robot - komplett med AI-röst- och perceptionsfunktioner.

Kreativ uppskalning ftw! Förvandla flygfotogrammetri på hög höjd till drönarbilder på låg höjd. Ett så coolt sätt att rama in de bilder du vill ha i Google Earth och använda en FLUX Kontext LoRA för att ta det hela vägen.

Ganska snart kommer din iPhone att använda FaceID för att se till att det faktiskt är du som använder din enhet när du rullar, engagerar och postar. Apple har en unik position för att göra allt detta på enheten på ett sätt som bevarar integriteten. "Uppmärksamhetsmedvetna" funktioner är redan ett steg i den här riktningen – din iPhone tar ett lågupplöst infrarött foto med några sekunders mellanrum för att kontrollera din blick för att se om du är uppmärksam på skärmen. Nästa steg skulle vara att låta en app veta att det faktiskt är du, eller helt enkelt att det är en riktig människa som använder enheten och inte en bot.

Ibland har man stunder på scenen som man aldrig kommer att glömma.

Att kombinera den explicita kontrollen av 3D-programvara med kreativiteten hos generativa AI-modeller är ett lovande men underskattat arbetsflöde. Bygg dina 3D-scener procedurmässigt genom att beskriva dem på naturligt språk och ta dem sedan hela vägen med dina bild- och videomodeller. Verktyg som immateriellt är uppbyggt kring ett sådant arbetsflöde så att du inte behöver tejpa ihop appar. Ganska coolt!

SpatialTrackerV2: enhetlig, heltäckande 3D-punktspårningsmodell som samtidigt uppskattar kamerarörelser, konsekvent geometri och pixelvisa 3D-banor.

SceneScript behandlar 3D-rekonstruktion som ett språkproblem snarare än ett geometriskt problem. Modellen tittar på en video av ett rum och lär sig bara att skriva ett manus för det. Den spottar automatiskt ut textkommandon som make_wall(...) eller make_bbox(...) som definierar scenen. Stanfords nya dokument "Scene Language" går ett steg längre och lägger till CLIP-inbäddningar för att fånga det visuella utseendet också. Det faktum att språkmodeller redan förstår rumsliga relationer tillräckligt bra för att skriva ut scendiagram är ganska vilt.

Vi kan bara skapa städer med hjälp av 3d-programvara med öppen källkod och billiga plugins

Google Earth är bokstavligen en wayback-maskin för hela planeten