AIgraphX

软件定义汽车，EE架构从分布式向中央计算演进。

未来汽车可以遵从先锋重构美学，从都市活力、智慧灵气、沉侵体验三个维度进行诠释，增加出行体验。

基于概率规划的端到端、矢量驾驶模型VADv2，性能远超同期多模态大语言驾驶模型DriveMLM。

参赛选手分别在端到端、无图、占用网络等领域提交了自己的解决方案。

受大模型中RLHF技术启发，团队用人类反馈来改进Stable Diffusion等文生图模型，提出了先进的RichHF-18K数据集和多模态RAHF模型。

将傅里叶域中密集、长期的运动建模为频谱体积，并通过渲染模块对从频谱体积转换的运动纹理生成动画，实现单个静止图像的动画。

ChatSim利用了大型语言模型LLM智能体协作框架，采用了一种新颖的多摄像头神经辐射场McNeRF和多摄像头照明估计McLight方法实现了自动驾驶场景可编辑与生成。

视觉语言规划VLP模型使ADS具有模仿人类常识的能力，并参与安全运动规划的上下文推理。

本文提出了一种仅摄像机4D占用预测的新基准Cam4Occ，同时引入端到端时空网络OCFNet，预测当前和未来4D占用。

本文利用视觉语言模型VLM、大型语言模型LLM设计了一个自动化数据引擎AIDE。该引擎可以自动识别问题、有效地整理数据、通过自动标注改进模型，并通过生成不同的场景来验证模型。

UniPAD提出了一种自动驾驶通用的自监督预训练范式，巧妙地将NeRF作为统一的3D渲染解码器，使其能够无缝集成到2D和3D框架中。

DrivingGaussian采用复合高斯飞溅进行全局渲染，用于表示周围动态自动驾驶场景，在多运动对象、多相机一致性以及高保真度上实现了优秀的性能。

DriveWorld在UniAD的基础上又有所成长，提升了自动驾驶目标检测、目标追踪、3D占用、运动预测及规划的性能。

作者提出了通用的大规模自动驾驶视频预测模型GenAD，在实现过程中，进一步提出了迄今为止最大的自动驾驶场景训练数据集OpenDV-2K。

作者提出了全景可控自动驾驶视频生成模型Panacea，同时也制作了一个新自动驾驶视频数据集Gen-nuScenes。

本文解读了2023最佳论文ControlNet的论文和代码，同时完成了“自定义”数据集训练和图像精确生成控制测试。

OMG从零样本开放词汇文本提示中生成引人注目的动作。这款控制器关键思想是将 pretrain-then-finetune 范式运用到文本-运动的生成中，主要贡献是扩大了模型和数据集大小，以及引入motion ControlNet和混合控制MoC块，实现了文本和运动特征对齐。

为处理复杂的故事情节和多样化的场景，本文提出了一个名为Vlogger的通用AI系统，将长视频生成任务优雅地分解为四个关键阶段，包括 (1) 剧本Script，(2) 演员Actor, (3)制作人ShowMaker 和 (4) 配音员Voicer。

DynVideo-E框架首次引入动态NeRF作为视频表示，通过人体姿态引导将视频信息聚合到3D背景空间和3D动态人体空间中，进而能对大规模运动、视图变化和以人为中心的视频进行编辑。

我们引入了 MCDiff 动作条件扩散模型，它从一帧图像和一组笔画开始生成细粒度的可控视频。MCDiff首先利用流补全模型F根据视频帧的语义理解和稀疏运动控制来预测稠密视频运动。然后，扩散预测模型G合成高质量的未来帧，形成输出视频。