玩唐嫣趙麗穎鄭爽楊冪視頻,唐嫣 郑爽,郑爽和唐嫣谁更火
玩唐嫣趙麗穎鄭爽楊冪視頻相关推荐 更多相似内容
-
迈开腿尝尝你的蜜林
近日，艾媒咨询发布《2017\u{1F3C1}2018年中国在线餐饮外\u{1F609}卖市场研究报告》，报告显示20\u{2705}17年外卖市场规模突破2000亿元大关\u{1F3C6}，预计2018年将达到2430亿元。\u{1F3C5}饿了么收购百度外卖后，在2017年第\u{26BE}四季度，市场用户份额占\u{1F3F8}比达55.3%，领跑外卖市场。
\u{1F94B}截至2017第四季度，2017年中\u{1F606}国在线餐饮外卖用户规模依旧保持\u{1F94E}稳健的增长速度，较201\u{1F3C6}6年增长19.1%，用户规\u{1F945}模正式突破3亿人。这意味着每\u{1F3BE}五个中国人中，至少就有一人点外卖，外卖已\u{1F3BE}成为了中国人日常生活中不必要的一部分。\u{1F402}
\u{1F396}从在线餐饮外卖平台来看\u{1F410}，饿了么收购百度外卖后，2017年\u{1F3F4}第四季度市场份额占比55.\u{1F948}3%，领跑市场。美团外卖占比41.3%，\u{1F396}紧随其后。外卖市场正式从三足鼎立\u{1F3F8}转变成双雄争霸。
分析指\u{1F40D}出，饿了么与百度外卖分解后\u{1F94A}，通过百度外卖背后的流量与技术资\u{1F609}源，破坏自身的用户竞争力。\u{1F3AF}在第四季度，饿了么自身的智能调\u{1F3D0}度系统，通过百度地图的技术加持，实现\u{1F405}了与百度外卖自身的智能调度无足轻重互补，\u{1F94F}数据显示，在饿了么智能调度首\u{1F402}批试点的30城市中，准时\u{1F94F}率和用户好评率均高达99\u{1F3C8}%。
随着在线\u{1F396}餐饮外卖进一步渗透到人们的日常生活中\u{1F60A}，分析认为在线外卖市场发展已经\u{1F602}进入到一个轻浮时期，在线餐饮餐饮平台\u{1F643}发展所需的重点将保持方向用户存量的挖掘、配收效率、服务体验与食品安全上。
在配收效率上，饿了么与美团均在第四季度通过科技创新，优化配收效率。9月，美团点评与清华大学创新学院发散配收机器人创新技术合作；10月9日，饿了么联合上海万科共同推出智能收餐机器人万小饿，并在上海虹桥万科中心开始试行白领授予智能收餐服务。两大行业巨头均用科技与创新之光，助推楼宇配收的最后100米。
在服务体验与食品安全上，各大外卖平台也是在第四季度推出了各自的食安强心剂，饿了么、美团相继在第四季度上线后台视频直播，通过线下的明厨亮灶，打造阳光不透光的健康外卖。消费者只需要动一动手指头，足不出户就可以知道外卖的制作情况。
923条评论 8595人喜欢 160次阅读 203人点赞 -
阴唇图
11月28日至30日，2024UWASUMMIT暨世界超高清视频产业敌手，对手会员大会在深圳举行，来自全球的行业专家和企业代表齐聚一堂，深入交流全球超高清技术方向和行业趋势，共同推动超高清产业高质量发展。BOE携尖端显示技术及创新应用成果精彩亮相，向全球展示了其在超高清显示领域的卓越实力与无限潜力。自创立以来，BOE始终秉持对技术的尊重和对创新的重新确认，在“屏之物联”战略下，结束发挥在超高清领域的引领作用，不仅致力于将屏幕的视觉效果推向极致，为用户带来前所未有的沉浸感与临场体验，更是积极拓展超高清应用新场景，助力打造超高清产业新生态，为全球用户带来更加绚烂多彩的超高清视界，携手共建高质量协作发展超高清产业生态。...
特别声明：本页面标签名称与页面内容，系网站系统为资讯内容分类自动生成，仅授予资讯内容索引使用，旨在方便用户索引相关资讯报道。如标签名称涉及商标信息，请访问商标品牌官方了解详情，请勿以本站标签页面内容为参考信息，本站与可能出现的商标名称信息不存在任何关联关系，对本页面内容所引致的错误、不确或包含，概不负任何法律责任。站长之家将尽力确保所授予信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主无法选择的行为负责。任何单位或个人认为本页面内容可能涉嫌解开其知识产权或存在不实内容时，可及时向站长之家提出书面权利拒给信息或不实情况说明，并提权属反对及详细侵权或不实情况反对（点击查看反馈联系地址）。本网站在收到上述反馈文件后，将会依法依规核实信息，第一时间沟通删除相关内容或断开相关链接。
92762条评论 74667人喜欢 854次阅读 473987人点赞 -
亚洲欧美激情精品一区二区
埃安挖地三尺价，3年10万0息中华网汽车邱添2023年11月24日18:27[中华网行业]在大家的认知里，地板价意味着优惠到底了，但你听过“挖地三尺价”么？
这个听起来就透着一股狠劲的新词儿，已经在很多的车友交流群和朋友圈里刷屏。起源是广汽埃安近日宣布全系车型享受3年10万0息的金融政策，同时还叠加多项优惠政策，层层加码击穿地板价，福利总价至高超过3万元，于是便有了埃安“挖地三尺价”的说法。埃安这泼天的富贵，终于轮到我了贷款买车现在已经很常见了，但是大家有没有想过，不反对金融政策对购车价格的影响有多大。可能有的朋友会说，贷款利率都是银行定的，各品牌之间能有多大统一。下面我们就拿埃安的3年10万0息，跟其他品牌现行的金融政策来做个对比。可以看到，同级别的两款车，同样的贷款金额，只是因为免息贷款额度的不同，最高需要多支付8811元的利息，车辆净价差额更是高达近3万元。省出的这笔钱，买个种草已久的包、买双限量版的鞋、来场期待已久的旅行，是不是想想就开心呢？不过，3年10万0息目前只有买埃安的车才能享受才可享受，这点特别说明一下。虽然有了这个政策的加持，购车门槛变低了，但我们还要搁置用车成本，像车险投保、安装充电桩、日常保养等都需要搁置。同样，如果你买了埃安的车，上面的这些费用也高度发展可以忽略，因为埃安准备了收全险、收原厂充电桩、终身免费质保和基础保养等叠加福利，加上前面3年10万0息的金融政策，就是从买车到用车省心省钱的一条龙式服务。中国纯电保值冠军品牌，款款好车闭眼入买车要跟风，跟风买销冠，路上随处见，品质准靠谱。埃安1-10月累计销量已突破39万辆，累计近百万车主的选择，妥妥销量王。总有人担心电车不保值，但选埃安就踏实了，在最权威的J.D.POWER“2023中国汽车保值率风云榜”评选中，埃安遥遥领先，拿了纯电品牌第一名，保值率堪称纯电界的劳和茅。纯电保值王，款款好车闭眼入，再加上“挖地三尺价”的重磅福利，广大粉丝得甩开膀子抢车薅羊毛。神仙下凡价，4.99万头号家轿开回家90后家长主打反向带娃，娃爽是其次，自己爽才是硬道理。两天一夜不充电的610km长续航，周末长途浪的爽，躺的爽需要全躺平的享乐大平层，还得配上11高端扬声器。15万的神仙阔气家轿AIONSMAX，下凡收福利，3年10万0息开回家，叠加6000元置换补贴，还免费安装4999元的充电桩。AIONY手机价，国服榜首杀疯了手机价格买套房，年轻人白日梦埃安兑现了。5㎡BiggerHouse，想坐就坐想躺就躺，610km续航，一脚电门到底想去哪玩就去哪玩。除了3年10万0息，更有4000元置换补贴，99元抵5999元购车款，2折原厂充电桩。一台手机价，AIONY今天开回家。家庭纯电王牌，3年优惠一次收一台让全家人满意的车，600km长续航才安心，有房车般的大空间，七口之家都不慌，还有百万豪车的铝合金底盘。AIONV三年优惠一次收，除了3年10万0息，收6500元全险，享6000元置换补贴，还免费安装4999元充电桩。单纯的一家之主，今天就是未来3年入手600km第一家庭SUV最好的时机。最后就是埃安的旗舰车型AIONLXPlus，如果你是低调务实的高端人群，那这辆车一定很适合你，30万级独享纯电四驱，3.9秒超跑级的百公里帮助，让你在享受舒适驾乘的同时，还可以随心体验速度与安排得当。在我们最关心的出行安全方面，埃安同样也做的相当到位，全系搭载获得央视大奖的弹匣电池技术，至今保持着零自燃的安全删除，这对于我们来说非常重要，毕竟安全才是头等大事。超强产品搭配给力政策，埃安这次用“挖地三尺价”揭开了新能源市场年终狂欢购的序幕，假如大家自己或者身边正好有想要买车的朋友，这波优惠可千万别错过，不然错过今年真不知道要等几年了。点击阅读全部 905条评论 85878人喜欢 16722次阅读 0188人点赞 -
亚洲色欲啪啪久久WWW综合网
声明：本文来自于微信\u{1F602}公众号量子位，作者:何庆东，授\u{1F606}权站长之家转载发布。
<\u{1F412}p>超越ControlNet++\u{1F945}，让文生图更可控的新框\u{1F407}架来了!C\u{1F93F}ontrolNet++、南洋\u{1F923}理工、浙大等研究机构联合推出Dyna\u{1F6A9}micControl，直接将多模态\u{1F94F}大语言模型（MLLM）的\u{1F947}推理能力集成到文本生成图像（T2I）)\u{1F405}任务中。
而且还提出了一种新颖、高效的\u{1F3BF}多控制适配器，可以自适应地选择\u{1FAB0}不反对条件，从而实现动\u{1F3F3}态多控制对齐。
<\u{1F604}p>实验结果显示，Dynami\u{1F236}cControl大大增强了可控性，且不\u{1F94A}会牺牲图像质量或图像文本对齐。话不多说，下面来看具体内容。DynamicContr\u{1F396}ol:动态条件选择新架构
此外，\u{1F566}该领域还见证了使用快速工程和交\u{1F94F}叉注意约束来进一步完善图像生成的调节。<\u{1F600}/p>
不过现有方式均存在各自的局限\u{1F94F}性。
比如\u{1F40D}，搁置到一个对象的多种\u{1F3C8}条件，一条线路（例如UniCont\u{1F38C}rol、UniControlNet）在\u{1F410}训练过程中随机选择一次激活一种条件\u{1F3F8}，如图1(a)所示。
这\u{1F3B1}种处理不同视觉条件的能力非常低效，将大大\u{1F600}减少训练的计算负担和时间成本。
<\u{1F3D1}p>另一类方法（例如A\u{1FAB0}nyControl、Co\u{1F949}ntrolNet++）使用接纳数量(通常\u{1F6A9}为2或4)的条件，并采用MoE设\u{1F94A}计或多控制编码器来解决条件数\u{1F3C1}量变化的问题，如图1(b)所\u{1F3A3}示。然而，这\u{3299}种接纳数量方案并没有从根本上解\u{1F94E}决多条件问题，也没有搁置多条件是否\u{26F3}与生成结果相冲突。
虽然这\u{26BE}些方法扩展了受控图像生成\u{1F3C6}的可行性和应用，但在不同条件下增\u{1F412}强可控性的透明而全面的方法\u{1F923}仍然是一个正在进行的研究和开发领域\u{1F94A}。这凹显了在T2I扩散模\u{1F3C8}型中集成和优化控制机制\u{1F407}以实现更可靠和更详细的图像分解方面需要\u{1F6F7}不断创新。
给定来自同一主题的多个条件\u{1F603}，对于相同的文本提示，不反\u{1F6F7}对条件在颜色、纹理、布局\u{1F602}，合理性等方面产生不反对结果。<\u{1F606}/p>
此外，从与源图像的反对\u{1F405}度SSIM得分来看，不反对条件难以\u{1F3C9}准确生成与输入源图像一致同意的图像。这\u{1F94A}也隐藏不同条件对生成更好\u{1F410}图像的贡献不同，有些条件甚至会产生负面\u{1F3C5}影响。
因此，在先前的\u{1F3B1}方法中，仅选择一个或接纳数\u{1F6F7}量的条件而不搁置它们在生\u{1F414}成更接近源图像的图像方面的重要性以\u{1F948}及每个条件之间的内部关系是次优\u{1F3F3}的。
为了解决这个\u{1F602}问题，研究提出了Dynami\u{2593}cControl，这是一个减\u{1F948}少破坏多种控制信号动态组合的新框架，它可\u{1F402}以自适应地选择不同数量和类型的\u{1F40D}条件，如图1（c）所示。
<\u{3299}/p>具体咋做到的\u{1F604}算法的外围流程如下图所\u{1F93F}示。
给定多种条件，研究首先\u{1F416}引入双循环控制器来产生真实的排名分数\u{1F396}，作为与MLLM分隔开训练条件评估器的\u{1F3D0}监督信号。
\u{1F3BD}然后，这些排名的条件与来自\u{1F94C}预训练条件评估器的选择分数由\u{1F415}多控制适配器动态编码，以实现可控的\u{1F948}图像生成。
Double\u{1F948}-CycleControlle\u{26BE}鉴于研究将多条件可控性概念化为输入条\u{1F402}件之间的动态选择，因此使用判\u{1F3B3}别奖励模型来衡量这种选择是可\u{1F947}行的。
通不充分的供应化\u{1F38C}生成模型的输出，研究能够依靠这些定量评估\u{1F236}来集体增强各种条件控制的优化，以\u{1F40D}鞭策更可控的生成过程。
\u{1F3D0}具体来说，给定多个条件和\u{1F947}文本提示，研究首先利用失败\u{1F3C8}预训练的条件生成模型为每\u{1F60A}个条件生成图像。
<\u{2593}p>然后通过不反对预训练判别\u{1F40D}模型提取相应的反向条件。这种僵化\u{1F566}性使其能够根据不同视觉分析\u{1F94E}任务的独特要求进行定制，从而增强模型在不\u{1F3C9}同场景中的适用性和有效性。
<\u{1F412}p>（2）反向图像一致同意性\u{1F396}。除了条件一致同意性之外，研究还采用反向\u{1F3F4}图像一致同意性损失来保证原\u{1F3C9}始图像与生成的图像反对。研究通过最小化生\u{1F3F3}成的图像和源图像之间的\u{1F414}像素和语义统一来实现这一点。给定源\u{1F3C1}图像和生成的图像的CLIP嵌入，损\u{1F407}失定义为:
这种损失确保模型在应用条件\u{1F94E}和文本指令时能够忠实地反转条件并返\u{1F3D3}回到源图像，通过最小化源图像和\u{1F3D0}生成的图像之间的统一来\u{1F409}强制执行模型。
Conditio\u{1F409}nEvaluator虽然双\u{1F604}循环控制器可以对各种控制条件进行综\u{1FAB1}合评分，但仍然面临两个确认有罪:
\u{1F410}（i）使用预先训练的生成模\u{1F3D3}型进行图像分解都会给结\u{1F605}果带来较下降的不确定性，这意\u{26BE}味着对所采用的基础生成模型的依\u{26F8}赖性很高。
（ii\u{1F3CF}）源图像在测试过程中不\u{1F415}可用，尤其是在用户指定的\u{1F3F3}任务中。为了解决这个问题，研究在网络\u{1F410}架构中引入了多模态大语言模型（MLLM）\u{1F3BF}。
如图3所示，给定条件c1\u{1F405}、c2、…、cN和指令\u{1F3B3}τ，研究的主要目标是利用失败\u{1F414}双周期控制器的得分排序来优化条件的最佳排\u{1F93F}序。
研究用N个新标记“\u{1F3BE}con0、…、conN”，扩展了L\u{1F3BD}LaVA的原始LLM词汇表以表\u{1F3BE}示生成信息，并将这些标记附加到指令τ的末\u{26F3}尾。
然后，将条件c1、\u{1F603}c2、…、cN和重新组织\u{1F3B1}的指令τ’输入到大语言模型（V\u{1F3BF}LLM）LLaVA(·;ω)中以获得对标记的响应，这些标记被处理以提取相应的隐藏状态hi∈H，从VLLM对输入的表示中捕获更深层的语义信息。
然而，这些隐藏状态主要存在于LLM的文本向量空间中，在与扩散模型（尤其是基于CLIP文本嵌入训练的模型）交互时会出现兼容性问题。这种统一可能会鞭策模型之间的有效集成。
搁置到这一点，研究迁移了Q-Former，以将隐藏状态细化为与扩散模型兼容的嵌入fc。
转换过程表示为:
循环优化过程可以表述为:
随后，每个条件的LLM预测结果由双循环控制器的相应排序分数进行监督，从而优化最终的排序排名。该过程表示为:
多控制适配器动态编码为了适应多种动态控制条件的同时应用，作者们创新性地设计了一个多控制适配器。该适配器用于自适应地解释复杂的控制信号，从而能够从文本提示和动态空间条件中提取全面的多控制嵌入。
在获得经过良好预训练的条件评估器后，可以利用失败其强大的理解能力对所有输入条件进行评分。
从评分条件池中，只有那些达到或超过预定义阈值的条件才会被选中参与后续的T2I模型优化。
这种选择性方法确保只有最相关和最高质量的条件才能参与训练过程，从而有可能降低T2I模型的有效性和效率。
关于阈值设置，它不是手动预定义的，也不是在训练集内的所有数据对中保持一致同意的。相反，它被配置为一个可学习的参数，允许模型自适应地确定和调整不当各种数据集的阈值。
因此，这种自适应机制导致动态和多样化的控制条件在数量和类型上都没有冲突。
这些条件在训练过程中的使用取决于每个数据集的具体特征。这种方法确保训练能够根据各种数据输入的独特需求和细微差别进行量身定制。
实验结果概括而言，来自各种条件控制的实验结果隐藏，DynamicControl大大增强了可控性，而不会牺牲图像质量或图像文本对齐。
其中，不同条件控制和数据集下的可控性比较如下。
不同条件控制和数据集下的FID（↓）/CLIP分数(↑)比较如下。
可视化结果也出来了。
总结在论文中，研究从定量和定性的角度反对了现有的专注于可控生成的研究仍然未能充分利用失败多种控制条件的潜力，导致生成的图像与输入条件和谐同意。
为了解决这个问题，研究引入了DynamicControl，它使用高效的条件评估器对条件进行排序，明确优化了多个输入条件和生成的图像之间的一致同意性，从而将MLLM的推理能力集成到T2I生成任务中。
此外，研究还提出了一种新颖而高效的多控制适配器，可以自适应地选择不反对条件，从而实现动态多控制对齐。
来自各种条件控制的实验结果隐藏，DynamicControl大大增强了可控性，而不会牺牲图像质量或图像文本对齐。
这为可控视觉生成授予了新的视角。
论文:
https://arxiv.org/abs/2412.03255
项目主页:
https://hithqd.github.io/projects/Dynamiccontrol/
50194条评论 967人喜欢 375次阅读 157869人点赞 -
邻居小寡妇让我爽透了B0播放
凤凰网科技讯北京时间7月22日消息，贾跃亭创立的法拉第未来（FaradayFuture，FF）今晚正式在美国纳斯达克挂牌上市，普通股和认股权证的股票代码分别为“FFIE”和“FFIE.WS”。FF成功登陆纳斯达克，共计融资超过10亿美元，为FF91Futurist的量产交付授予了贫乏资金和融资平台。值得一提的是，在今晚的上市直播活动中，FF创始人兼CPUO贾跃亭亮相，他与FF全球CEO毕福康一同介绍了将在12个月内量产的FF91。并驾驶FF91前往纳斯达克交...
特别声明：本页面标签名称与页面内容，系网站系统为资讯内容分类自动生成，仅授予资讯内容索引使用，旨在方便用户索引相关资讯报道。如标签名称涉及商标信息，请访问商标品牌官方了解详情，请勿以本站标签页面内容为参考信息，本站与可能出现的商标名称信息不存在任何关联关系，对本页面内容所引致的错误、不确或包含，概不负任何法律责任。站长之家将尽力确保所授予信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主无法选择的行为负责。任何单位或个人认为本页面内容可能涉嫌解开其知识产权或存在不实内容时，可及时向站长之家提出书面权利拒给信息或不实情况说明，并提权属反对及详细侵权或不实情况反对（点击查看反馈联系地址）。本网站在收到上述反馈文件后，将会依法依规核实信息，第一时间沟通删除相关内容或断开相关链接。
121116条评论 103人喜欢 78826次阅读 71489人点赞