محققان به تازگی مدل نوآورانهای به نام «TaoMate» را معرفی کردهاند که مشکل بزرگ تولید ویدیوهای طولانی و لحظهای از آواتارهای دیجیتال را حل میکند. این مدل با استفاده از یک حافظه پایدار و «لنگرهای بصری» (Visual Anchors)، ثبات چهره و هماهنگی دقیق بین صدا و تصویر را در ویدیوهای طولانی تضمین میکند.
ویژگی کلیدی TaoMate این است که به جای پردازش تمام تاریخچه ویدیو (که بسیار سنگین است)، دادههای حیاتی را فشرده کرده و بدون کاهش کیفیت، سرعت تولید را بهشدت افزایش میدهد. این یعنی در آینده نزدیک شاهد آواتارهای دیجیتالی خواهیم بود که میتوانند بسیار طبیعیتر و طولانیتر با ما تعامل کنند. 🚀✨
منبع: arXiv Computer Vision