全新版本还引入新的 DeepPRIME 降噪工具,相比之前的版本提速 4 倍,并支持 Fujifilm X-Trans 传感器(Beta)
DxO PhotoLab 现为图像质量树立了标杆。该软件为用户提供了市场上最强大的校正和处理解决方案,具备自动化功能,并可根据需要关闭和调整。软件还通过独有的镜头锐度技术和众多工具提供无与伦比的光学校正,一切都旨在不影响图像质量的前提下激发艺术表现力。
U Point™ 技术:新指针 — 控制线 — 和改良的感光度设置
DxO 添加了第二种类型的指针:控制线,进一步提升了现有最高效、最直观的局部编辑和调整技术。作为该技术现有的控制点的补充,这款全新工具允许用户使用简便的选择方法在大面积区域进行微调。为了实现更高的精确度,“控制线”和“控制点”现已配备感光度设置。摄影师可以根据目标区域的亮度和色度轻松调整编辑效果。
包含元数据和关键词管理功能的“照片库”
PhotoLab 5 现已可以处理 IPTC 和 EXIF 数据以及第三方应用同步。它还提供通过交互式树状结构进行关键词优先级排序的高级方法。此外,全新版本重整了软件的照片库管理工具,实现进一步优化。
DeepPRIME:更高效率,4 倍提速
通过深度学习算法对 DxO 实验室过去 20 年分析的数百万张图像进行训练,DxO DeepPRIME 技术横空出世,使用人工智能处理 RAW 文件。它极大地提高了针对数字噪点的降噪能力,同时确保更有效地去马赛克。传统上,这两项操作是分开进行的,每一项操作都存在缺陷,会削弱另一项操作的质量。 DeepPRIME 通过深度学习,采取了整体方法,将两个步骤合二为一。
DxO PhotoLab 5 和 DeepPRIME 的深度学习法在反应性以及处理和导出时间方面实现了显著优化。所有用户均可享受到这些改进成果,Apple Silicon Mac 用户实现了 4 倍提速,最优异的 Windows 架构则实现了 1.5 倍提速。
支持 Fujifilm X-Trans 传感器(Beta)
DxO PhotoLab 5 有史以来首次支持配备 Fujifilm X-Trans 传感器的相机。从最新的 X-E4、X-S10、X-T4 和 X100V 到较旧的 X-E2 和 X-70,现已支持不少于22款Fujifilm 相机。此外,还推出了 605 个全新 DxO 模块。这些模块通过独有的 DxO Labs 校准过程创建,可自动消除光学缺陷,如畸变、色差、暗角和锐度不足。
“我们很高兴,终于可以向 Fujifilm 摄影师群体敞开大门,” 产品战略副总裁 Jean-Marc Alexia 如是说, “我们的目标是为他们提供图像质量领域的最佳解决方案。为此,我们创建了一个专门收集反馈的网站。我们迫不及待想听听他们的想法。”
欢迎 Fuji 摄影师通过以下网站提交反馈和评论:www.dxo.com/feedbacks-xtrans-beta
支持更多设备
DxO PhotoLab 5 支持 26 款全新相机:佳能 EOS Ra、DJI Air 2S & Mini 2、Fujifilm X-E2、X-E2S、X-E3、X-E4、X-H1、X-Pro2、X-Pro3、X- S10、X-T1、X-T2、X-T20、X-T3、X-T30、X-T4、X100F、X100T、X100V、X70、尼康 Z fc、奥林巴斯 PEN E-P7、松下 GH5 II、宾得 K -3 III、索尼 ZV-E10。
价格与上市
DxO PhotoLab 5(PC 和 Mac)现已上线 DxO 在线商店(http://shop.dxo.com/),2021 年 12 月8日至2021 年12月31日之间购买可享受上新价格。DxO官网接受微信支付和支付宝付款方式。
DxO PhotoLab 5 许可证无需订阅,可以安装于两个工作站(DxO PhotoLab 5 ESSENTIAL版)或三个工作站(DxO PhotoLab 5 ELITE 版)上。
拥有 DxO PhotoLab 3 和 DxO PhotoLab 4 许可证的摄影师可在https://shop.dxo.com/zh-cn/license/account/listing/上登录帐户,购买 DxO PhotoLab 5 升级。持有 DxO PhotoLab 3 之前版本的用户无法升级,需购买新的许可证。
DxO 网站提供为期一个月的 DxO PhotoLab 5 完整试用版:https://www.dxo.com/zh-cn/dxo-photolab/download/。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。