MatAnyone-E Быстрое матирование видео, на уровне прошлой версии Сначала дешевый проход в низком разрешении, он подсказывает, где маска не уверена и какие участки памяти важны. Полное сопоставление идет только по этим местам, остальное берется из низкого разрешения. Декодер заменили на легкий • Полноценная альфа для человека в кадре, согласованная между кадрами • Тонкие края и сложная прозрачность • Работа в нативном разрешении, без даунскейла • Пригодно для композитинга, VFX и замены фона • 73 кадра в секунду в 1080p на одной H200 с torch.compile • 28,6 кадра в секунду в 4K • В 7,4 раза быстрее MatAnyone 2 на 4K • Пиковой памяти ~ 3,1 ГБ Код ждем Спасибо @m_franz #segmentation #matting #video2matte #video2mask #realtime MAX

WeVisOne-VL-2B Одна модель Tencent на замену пачке узких: детекция, поиск по описанию, счет объектов, указание точки, #OCR, сегментация и маттинг по подсказке Все задачи сводятся к структурному предсказанию токенов, поэтому один проход закрывает рамки, маски и альфу в полном разрешении. Работает с одиночными картинками, сетку видео не принимает. Слабое место - сложная прозрачность и сильные перекрытия • Находит объекты без заранее заданного списка классов • Локализует по описанию словами и ставит точку на объекте • Считает объекты и читает текст с координатами • Режет объект по текстовому запросу • Делает альфу с мягкими краями, например для вырезания человека База Qwen3-VL, 2B github.com/Tencent/WeVisOne-VL huggingface.co/tencent/WeVisOne-VL-2B huggingface.co/spaces/hugging-apps/wevisone-vl-4b #detection #cv #segmentation MAX

VideoMaMa++ NeurIPS 2026, KAIST. Модель делает альфа-мат из маски и видео, включая волосы и тонкие края Предыдущая версия • Диффузионный бэкбон тянет только 6-24 кадра, поэтому видео режется на чанки • Каждый чанк уточняет маску сам по себе, на стыках скачут края и прозрачность Как решают • RGB и маска идут отдельными потоками токенов, сводит их полное пространственно-временное внимание • Две обучаемые метки на кадр: preserve держит готовый мат как образец, refine превращает грубую маску в точную • Скользящее окно передает мат из прошлого чанка в следующий, глобальный якорь не дает ошибке накапливаться • Дообучения под длинные ролики не нужно • Лучший результат по всем метрикам на трех бенчмарках github.com/cvlab-kaist/VideoMaMa-PlusPlus - ждем #segmentation #mask2matte #video2matte MAX

MLP-Splatting Метод представления 3D-сцен через нейронные примитивы. ECCV 2026. Каждый примитив — независимый компактный MLP (Multilayer Perceptron) с локальной поддержкой, взвешенный анизотропной гауссианой. Сцена сама разбирается на объекты и части. Супервизия только по RGB дает примитивы, которые сами ложатся на объекты и их части. Рендер через разреженный объемный композитинг по пересечениям луча с примитивами • Фотореалистичный синтез новых видов • Разложение сцены на объекты без сегментации — по нескольким примитивам • Интерактивное редактирование: выбор объекта, SE(3)-сдвиг, смена цвета • Открытие словаря: языковая сегментация и удаление объектов • Опциональная дистилляция семантических признаков • Качество на уровне Feature-3DGS и выше • В 6 раз меньше памяти, рендер вдвое быстрее • Нужны сотни примитивов вместо миллионов гауссиан github.com/kxhit/mlp-splatting #mlp #scenereconstruction #rendering

Персонализация — переоценена? 😀 Наткнулась на интересную статью про колд аутрич Коротко о чем статья: ✖️Глубокая персонализация не всегда выигрывает у хорошей сегментации ✖️Пока один SDR пишет идеальное письмо под конкретного человека, другой успевает отправить несколько качественных сообщений по сегменту ✖️В результате ответов может быть столько же (или даже больше), просто потому что касаний было в разы больше ✖️Гораздо больше влияет не идеальное письмо, а понятный процесс: кого берем в работу, по какому сценарию пишем и что потом измеряем Что я об этом всем думаю: ✖️Мне кажется, многое зависит от рынка Если у вас 50–100 целевых компаний, массовый outreach действительно не всегда имеет смысл. Там уже важнее качество касаний, чем их количество. ✖️При этом сейчас становится все больше инструментов, которые позволяют не выбирать между сегментацией и персонализацией. Сегодня можно автоматизировать довольно много касаний, сохранив релевантность. ✖️И я бы точно не делала вывод, что текст письма не важен. Хорошая сегментация приводит человека в верх воронки, а письмо помогает пройти дальше. Просто влияние письма часто переоценивают, пытаясь решить им проблемы, которые на самом деле лежат в сегментации или оффере В общем, я бы не выбирала между сегментацией и текстами. Хороший аутрич начинается с первой и заканчивается вторыми