- 综合排序
- 最热优先
- 最新优先
ChatGPT image-2 发布以后，我的思考
ChatGPT image-2 发布以后，我觉得有一件事情已经越来越清楚了： AI 做图，已经不是“看起来很厉害”的阶段了，而是正式进入“能够真实使用、真实落地”的阶段。 这句话什么意思？ image-2 带来的最大变化，不只是“更会画了”，而是它开始逼近真正的商业交付标准了。 所以我对 image-2 的感受不是“哇，技术又进步了”，而是我越来越确定一件事： 视觉内容生产这件事，已经开始进入下一阶段了。 门槛会继续下降，效率会继续提高，行业分工会继续重排。
25810编辑于 2026-04-29- 来自专栏韩曙亮的移动开发专栏
【Flutter】Image 组件 ( Image 组件简介 | Image 构造函数 | Image.network 构造函数 | Image.asset 构造函数 )
文章目录 一、Image 组件简介 二、Image 构造函数 三、Image.network 构造函数 四、Image.file 构造函数 五、Image.asset 构造函数 六、Image.memory 中 Image 组件支持的图片格式 : jpeg png bmp wbmp gif animated gif webp animated webp 下面介绍 Image 组件的构造函数 ; 二、Image 构造函数 ---- Image 构造函数 : const Image({ Key key, @required this.image, this.frameBuilder, = null), super(key: key); 必须传入 image 作为参数 , 其它参数都是可选的 , image 类型是 ImageProvider ; /// The image , 那么 Image 组件就是已加载的图片的真实大小 , 这会使界面布局非常难看 ; 三、Image.network 构造函数 ---- Image.network 是命名构造方法 , 该构造方法创建的
3K30编辑于 2023-03-29 4个实测案例告诉你：chatgpt的Image2 到底强在哪
但这次 ChatGPT 新出的 Image2， 我第一反应是：不一样了。 它最让我震惊的一点是：一句话，就能出可用结果。 为什么我说它不一样 我不讲参数。 只讲普通创作者最在意的四件事。 Image2 这次给我的感觉是： 不是 100% 完美， 但已经到了“可读、可修、可交付”的阶段。 对于做内容的人，这个变化非常大。 你不需要每张图都回到 PS 从头补字。 一句话：Image2 让我第一次觉得，AI 生图真正进入“能稳定干活”的阶段了。 如果你愿意，我下一篇可以直接写一版： 《5 个可直接复制的 Image2 提示词模板（公众号 / 海报 / 产品图）》 你也可以把你的使用场景发我， 我按你的场景给你配一套能直接用的提示词。
1K30编辑于 2026-04-28- 来自专栏每日一篇技术文章
image
---- image/gif 包的用法总结 要制作一个gif动画文件总共分两步 第一步 创建gif结构体实例,设置相关属性 type GIF struct { Image []*image.Paletted 利萨如特效 代码如下 package main import ( "image" "math" "image/color" "image/gif" "io" out.gif package main import ( "fmt" "path" "image" "image/color/palette" "image/draw " "image/gif" "io/ioutil" "log" "os" ) func main() { generateGif(". (), img, image.ZP) anim.Image = append(anim.Image, imgPalatte) anim.Delay = append(anim.Delay
1.7K10发布于 2019-05-26 - 来自专栏计算机视觉理论及其实现
Unsupervised Image-to-Image Translation Networks
大多数现有的图像到图像翻译框架——将一个域中的图像映射到另一个域的对应图像——都是基于监督学习的，即学习翻译函数需要两个域中对应的图像对。这在很大程度上限制了它们的应用，因为在两个不同的领域中捕获相应的图像通常是一项艰巨的任务。为了解决这个问题，我们提出了基于变分自动编码器和生成对抗性网络的无监督图像到图像翻译（UNIT）框架。所提出的框架可以在没有任何对应图像的情况下在两个域中学习翻译函数。我们通过结合权重共享约束和对抗性训练目标来实现这种学习能力。通过各种无监督图像翻译任务的可视化结果，我们验证了所提出的框架的有效性。消融研究进一步揭示了关键的设计选择。此外，我们将UNIT框架应用于无监督领域自适应任务，并取得了比基准数据集中的竞争算法更好的结果。
1.3K60编辑于 2023-11-21 - 来自专栏全栈程序员必看
Image.open()_image.open函数
from PIL import Image # opencv-python import cv2 # PIL from PIL import Image 2 图像读取 # opencv-python Image.open(）得到的img数据类型呢是Image对象，不是普通的数组。 因此image与plt.imshow()配合使用，opencv的方法配套使用。 6 相互转换 #1.Image对象->cv2(np.adarray) img = Image.open(path) img_array = np.array(img) #2.cv2(np.adarray )->Image对象 img = cv2.imread(path) img_Image = Image.fromarray(np.uint8(img)) 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人
7.9K20编辑于 2022-11-04 - 来自专栏AI
设计圈真的要变天了：ChatGPT Image 2 不只是会生图了
OpenAI这次已经把ChatGPTImages2.0面向所有ChatGPT计划开放，付费计划还加入了带思考的图片生成；官方同时强调，新版本更擅长精准编辑、保留关键细节，而且生成速度最高可达原来的4倍。
1.3K20编辑于 2026-04-24 镜像(Image)
欢迎关注微信公众号：数据科学与艺术 作者WX:superhe199 镜像(Image) 镜像是只读的，镜像中包含需要运行的文件（提供容器运行时所需的程序、库、资源、配置等文件，还包含了一些为运行时准备的一些配置参数
35210编辑于 2025-08-29- 来自专栏WOLFRAM
Image Synthesis
({#1, #2} -> hutdata[[#1, #2]]) & @@@ newpart]] newdata = synthesis[hut, mountain, edgecut, graph]; Image
95550发布于 2018-05-31 - 来自专栏全栈程序员必看
Image Thresholding
The first argument is the source image, which should be a grayscale image. The first is the threshold that was used and the second output is the thresholded image. import cv2 as with only two distinct image values (bimodal image), where the histogram would only consist of two peaks Similarly, Otsu’s method determines an optimal global threshold value from the image histogram. The input image is a noisy image.
1K10编辑于 2022-08-12 - 来自专栏机器学习与生成对抗网络
CVPR 2020 | 几篇 image-to-image 论文速递
1 Fine-grained Image-to-Image Transformation towards Visual Recognition 现有的图像转换方法主要集中在:如何在合成视觉上有让人感到自然的效果 2 Reusing Discriminators for Encoding: Towards Unsupervised Image-to-Image Translation 训练结束后，大多数当前的图像转换框架将丢弃鉴别器 - 代码开源：https://github.com/alpc91/NICE-GAN-pytorch 3 Domain Adaptive Image-to-image Translation 不成对训练下的图像转换 image-to-image translation (I2I)在各种应用中都取得了巨大的成功。 4 DUNIT: Detection-based Unsupervised Image-to-Image Translation 大多数图像转换方法将图像视为一个整体，这使得它们生成的效果内容丰富，却不够逼真现实
1.6K70发布于 2020-06-12 - 来自专栏计算机视觉理论及其实现
Towards Instance-level Image-to-Image Translation
非配对图像到图像的翻译是一个新兴的、具有挑战性的视觉问题，旨在学习不同领域中未对准图像对之间的映射。该领域的最新进展，如MUNIT和DRIT，主要集中在首先从给定图像中解开内容和风格/属性，然后直接采用全局风格来指导模型合成新的领域图像。然而，如果目标域图像内容丰富且包含多个不一致的对象，则这种方法会严重导致矛盾。在本文中，我们提出了一种简单而有效的实例感知图像到图像的翻译方法（INIT），该方法在空间上对目标图像采用细粒度的局部（实例）和全局风格。拟议的INIT具有三个重要优势： （1） 实例级的客观损失可以帮助学习更准确的重建，并结合对象的不同属性；（2） 局部/全局区域的目标域所使用的样式来自源域中相应的空间区域，直观上是一种更合理的映射；（3） 联合训练过程既有利于细化粒度，也有利于粗粒度，并结合实例信息来提高全局翻译的质量。我们还为新的实例级翻译任务收集了一个大规模的基准。我们观察到，我们的合成图像甚至可以帮助完成真实世界的视觉任务，如一般物体检测。
82110编辑于 2023-10-07 - 来自专栏Visual Codex
Image Stride
而image stride这个概念正是描述真正每一行的像素的个数。具体的定义是：从一行的某一个像素，知道下一行相同的横坐标位置的像素，两者之间相差的像素个数值。 通常image stride 是比image width 数值要更大的。 ? 从图中我们可以看出，左边是image的width，右边阴影部分就是填充部分（padding）。
1.3K40发布于 2021-02-24 - 来自专栏calmound
Rotate Image
问题：矩阵顺时针旋转90度 class Solution { public: bool dfs(vector<vector<int> > &matrix,int target,int n) { if(n==matrix.size()) return false; if(matrix[n][0]>target) return false; for(int i=0;i<matrix[n].size();i++) {
1.3K70发布于 2018-04-17 - 来自专栏彩铅的随笔博客
Image Classification
原课程网址：https://cs231n.github.io/classification/ 译：Colopen Image Classification Motivation. 在本节中，我们将介绍图像分类(image classification)问题。 图像分类问题的主要任务是，为输入图像(input image)从一组已有固定的分类标签集合中，选择一个作为该图像的分类标签(label)。 ---- The image classification pipeline. Example image classification dataset: CIFAR-10. CIFAR-10数据集是一个非常流行的图像分类数据集。
2.5K40编辑于 2022-09-20 - 来自专栏计算机视觉理论及其实现
Diverse Image-to-Image Translation via Disentangled Representations
摘要：图像到图像的翻译主要学习两个视觉域之间的映射关系。主要有两个挑战：1）缺少对齐的成对的训练数据2）和对于一个输入图片的多种可能输出。这篇文章中，提出了基于解开表示disentangled representation的，在没有成对训练数据情况下，产生多样的输出。为了实现多样性，将图片分解为两个空间：一个域不变的内容空间来捕捉不同域之间的共享信息，和属性空间的特殊域。此模型从给定图片中提取解码的内容特征以及从属性空间中采样的属性向量来在测试阶段产生多样性图片。为了解决数据不成对问题，我们提出了一个新的基于解开表示的交叉循环一致性损失cross-cycle consistency loss。质量评估显示在没有成对训练数据的情况下我们能生成多样真实的图片。在量化比较中，我们用用户学习来评价真实性以及用感知距离度量来评价多样性。在MNIST-M和LineMod数据集上的应用性与其他先进算法的比较中具有有竞争力的表现。
2.1K10编辑于 2022-09-02 - 来自专栏fangyangcoder
Unsupervised Attention-guided Image-to-Image Translation
这是NeurIPS 2018一篇图像翻译的文章。目前的无监督图像到图像的翻译技术很难在不改变背景或场景中多个对象交互方式的情况下将注意力集中在改变的对象上去。这篇文章的解决思路是使用注意力导向来进行图像翻译。下面是这篇文章的结果图：
1.4K30发布于 2019-07-01 ChatGPT image-2 最可怕的，不是会做图，而是开始能直接交付了
ChatGPT image-2 出来以后，我越来越确定一件事。 海报这件事，真的变了。 不是 AI 更会画了。 而是它开始能直接干活了。 以前 AI 做图，更多是灵感图、概念图、参考图。 image-2 最大的变化，不是它更会画了。 而是它开始逼近真正的商业交付标准了。 很多时候，你给它一句清晰的要求。 它给你的，已经不是一个“差不多”的图。 他可能脑子里刚有一个方向， 一句话先丢给 ChatGPT， 第一版就先出来了。 先把想法可视化。 再去筛选。 再去调整。 再去测试。 这中间最大的变化，不是设计师立刻被替代。 后来我就把产品 logo， 再加上我的要求， 一起发给 ChatGPT。 结果没一会儿， 它就给了我一张完成度很高的推广海报。 那一刻我最强烈的感受不是“这个东西真厉害”。 所以我现在越来越觉得， image-2 这次真正改变的， 不是做图质量， 而是做图门槛。 以前会不会做海报， 是一种专业能力。 以后会不会用 AI 做海报， 可能只是基础能力。
39710编辑于 2026-04-29- 来自专栏快乐阿超
image-conversion
——佚名 分享一个js图像库： https://github.com/WangYuLue/image-conversion Include the library in browser: <script src="https://cdn.jsdelivr.net/gh/WangYuLue/<em>image</em>-conversion/build/conversion.js"></script> in CommonJS : const imageConversion = require("image-conversion"); in ES6: import * as imageConversion from 'image-conversion '; or import {compress, compressAccurately} from 'image-conversion'; Use examples <input id="demo" type ="file" onchange="view()"> Compress image to 200kb: function view(){ const file = document.getElementById
58420编辑于 2023-06-23 - 来自专栏潇涧技术专栏
Matlab Image Segmentation
[注:我对源码略有修改] 1.1 全局阈值分割程序 original_image=imread('test1.png'); gray_image=rgb2gray(original_image); gray_image =double(gray_image); t=mean(gray_image(:)); is_done=false; count=0;%迭代次数 block=gray_image(1:end,1:end (original_image); gray_image=double(gray_image); [m,n]=size(gray_image); result=zeros(m,n); block_size function [ result ] = partialostu( image,part,isrgb ) %PARTIALOSTU partial image ostu if isrgb image =rgb2gray(image); end cols=size(image,2); result=zeros(size(image)); for i=1:part fstart=floor((i
1.2K10发布于 2018-08-01
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号