
小米公司旗下生态链企业小蚁科技今日正式发布小蚁运动相机,售价仅399元。即日起在小米官网、京东以及天猫旗舰店同时开放购买。

小蚁运动相机配备了全球专业运动影像Ambarella(安霸)A7LS处理器、索尼1600万像素Exmor R BSI CMOS图像传感器,以及155°超广角非球面高清光学玻璃镜头,潜水深度可达专业级40米(需配合防水壳配件),拥有非常专业的相机性能。
顶尖影像处理器 超高清流畅视频拍摄
小蚁运动相机采用的是全球顶尖的专业运动影像Ambarella A7LS处理器以及高保真H.264蓝光级图像编码技术,可毫无压力完整高动态纪录精彩瞬间。
小蚁运动相机提供了多种录制模式,可满足不同画质与场景拍摄的需求。最高可拍摄1080p/60fps的高速超高清视频、720p/120fps的超高速高清视频,以及240p/480fps的极速视频。而且在强大的3D降噪与MCTF运动补偿时域滤波技术,即使在低光或颠簸的情况下,画面仍然非常出色。
小蚁运动相机拍摄的格式为高H.264codec格式、MP4格式,支持的视频帧率如下:1080p/60fps、1080p/48fps、1080p/30fps、1080p/24fps;960p/60fps、960p/48fps;720p/120fps、720p/60fps、720p/48fps;480p/240fps。
顶尖影像传感器 优异品质影像画面
小蚁运动相机配备的索尼1600万像素Exmor R BSI CMOS图像传感器使用背照式图像传感技术,具有高感光、低噪点的特性,能够给用户带来品质优异的影像画面。
小蚁运动相机支持拍摄1600万像素的单张照片,最高分辨率可达4608x3456。并且提供了多种照片拍摄模式,如0.5S-60S的延时摄影、3S-15S的定时拍摄、最高7张/秒的高速连拍等。
小蚁运动相机支持的照片分辨率以及拍摄模式具体如下:分辨率16M(4608x3456 4:3)、13M(4128x3069 4:3)、8M(3264x2448 4:3)、5M(2560x1920 4:3);延时拍照(0.5s、1s、2s、5s、10s、30s、60s)、定时拍照(3s、5s、10s、15s)、高速连拍(3p/s、5p/s、7p/s、7p/2s)。
超广角镜头 震撼非凡视野
为追求无需对焦、随时能够抓拍到清晰、震撼的画面效果,小蚁运动相机选用了美国专业光学团队定制的非球面光学玻璃镜头镜头,取景角度高达155°,为普通手机镜头的两倍。
155°超大广角镜头,入镜画面更多,在大场景与特殊角度的表现力上,都将带给用户震撼视觉冲击。镜头配合索尼图像传感器进行专门的研发域调试,为用户带来更加自然的现场还原。
有着专业相机才能拥有的超高清视频和图像拍摄效果,但小蚁运动相机重量仅72克、体积仅火柴盒般大小,携带非常方便。外观采用了耐高温抗极寒的PC+ABS与金属复合材料制成,在轻的同时保证坚固耐用。通过内置的WiFi功能,用户可以通过手机app对小蚁运动相机进行实时取景、拍摄与预览等操作,并可将内容快速传输到手机上进行编辑并一键同时分享到微博、微信等多种社交媒体上,与朋友进行分享。
此次与小蚁运动相机同步发布的配件有自拍杆和防水壳。通过自拍杆,无论是自拍、合拍还是穿越人群拍摄指定人物,都可以使风景与人物以真实的现场感呈现出来。而配备防水壳之后,小蚁运动相机还可以将你的视角带入到水下40米的深度进行别样的拍摄。
据小蚁科技相关人士介绍,未来小蚁还将推出丰富多彩的配件产品,配合小蚁运动相机的功能,陪着爱玩的用户上天入地、下海登山,全面支持用户的个性玩法。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。