微信警告：勿传营销广告！
微信警告：勿传营销广告！
随着互联网技术的发展，微信已成为人们日常生活中不可或缺的软件之一。但是，众所周知，微信是社交工具，不是营销工具。然而，仍有很多人在微信上发布各种营销广告，严重影响了人们的使用体验。因此，微信平台也时常发布警告，提示用户勿传营销广告。本文将从四个方面对这一问题进行详细阐述。第一部分：为什么要勿传营销广告
微信平台一直强调，微信是社交工具，旨在让人们轻松愉快地交流信息，而不是发布各种营销广告。如果用户一味地转发营销广告，这就导致了微信上信息质量的下降，也会对用户的体验造成影响。同时，微信平台也会因此受到压力，被指责为传销平台，这将对微信的品牌形象和市场价值产生负面影响。要知道，互联网产品的核心价值在于用户体验，如果用户体验受到影响，就会导致平台的失衡甚至崩溃。因此，用户应该珍惜微信平台，不要盲目地转发各种广告，尽量保持微信的清新、干净。第二部分：营销广告对用户的影响
如果用户一味地转发营销广告，不仅对微信平台有影响，对用户自己也有很多坏处。首先，接收到的大量营销广告会让用户的信息质量下降，会影响用户对信息的选择和判断。其次，这些广告的诱导性很强，通过各种宣传手段，容易使用户产生消费冲动，这会对用户的资产产生不良影响。最后，一些营销广告往往存在欺诈行为，如果用户不慎参与，将会造成经济和心理损失。因此，用户应该时刻保持警醒，不要贪图一时的小便宜而参与各种营销活动，保护自己的合法权益。第三部分：微信平台对营销广告的处理方式
为了保障用户的使用体验，微信平台对营销广告采取了一系列措施。首先，微信明文规定了不能在微信上发送广告的相关规定，对违规者进行处罚；其次，微信平台内置了反垃圾邮件机制，能够比较有效地识别和屏蔽一些广告邮件；最后，微信平台还在不断加强自身的技术能力，采用各种手段来避免各种广告行为的发生。微信平台的这些措施能够在一定程度上遏制广告行为的发生，保护用户的使用体验。第四部分：用户如何防范营销广告的侵扰
当然，微信平台的措施和规定，不能彻底解决问题，因此，用户自身也应该采取一些行动来避免营销广告的侵扰。首先，用户应该时刻保持警醒，不要盲目相信和传播各种不可靠的信息。其次，以自己的需求为主导，对接收到的信息进行选择和过滤。最后，如果发现有不当行为，应该及时举报和投诉，维护自己的权益。保持警醒和理性的态度，是避免营销广告侵扰的有效方法。总结
微信警告：勿传营销广告！本文从为什么要勿传营销广告、营销广告对用户的影响、微信平台对营销广告的处理方式和用户如何防范营销广告的侵扰等四个方面对问题进行了详细的阐述。希望通过本文的介绍，能够让用户更好的了解微信平台的规定和警告，保护自己的权益，共同维护一个良好的网络环境。问答话题：1. 微信平台是否允许广告宣传？答：微信平台不允许用户在微信上发送各种营销广告，包括但不限于商品、服务、投资、信用卡、保险、彩票、期货等。如果发现有违反规定行为，微信会对违规者进行处理。2. 何谓微信警告：勿传营销广告？答：微信警告：勿传营销广告是微信平台发出的警告，意在提醒用户不要盲目转发各种营销广告，以保护用户的体验和权益。用户应该时刻保持警醒，不要贪图一时的小便宜而参与各种营销活动。3. 如何防范诈骗广告？答：防范诈骗广告的方法有很多种，比如不要随意给陌生人转账、不要相信过于夸张的承诺、不要轻易参与未经证实的投资项目等等。此外，如果接收到可疑信息，应该及时核实和举报，保护自己的合法权益。微信警告：勿传营销广告！随机日志
修复监控录像播放录像无图像的问题,监控报警加入“欢迎光临”声音，让软件瞬间变成您的得力迎宾,去除播放功能，大家可以用第三方播放器，播放录像AVI文件,增大拍照录像窗口（用户要求）更多,托盘图标功能可到设置中心进行设置,修复多点监控下出现窗口显示不全的问题,修复无法连续录像问题,监控录像播放画面增大，增加另存为图功能（用户要求）,监控录像播放增加自定义播放速度收起
1、独享金融级专线，光速传输，腾讯顶级IDC机房
2、通过ODBC或MySQL数据库来存储大量的用户数据
3、名片和海报可以自定义的二维码及内容。
4、此绿色版支持浏览器接管下载，影音播放边下边看，字幕搜索、迅雷口令、抱团下载；
5、先勾选显示图幅与编号，然后选择比例尺，然后选择图幅，有多种方式可以选择。
<随心_句子c><随心_句子c><随心_句子c><随心_句子c><随心_句子c>AIGC大(da)壹(yi)統(tong)模(mo)型(xing)來(lai)了(le)！CV界(jie)泰(tai)鬥(dou)黃(huang)煦(xu)濤(tao)創(chuang)立(li)團(tuan)隊(dui)提(ti)出(chu)「全(quan)能(neng)Diffusion」 新(xin)智(zhi)元(yuan)報(bao)道(dao) 編(bian)輯(ji)：好(hao)困(kun) David 【新智元導(dao)讀(du)】在(zai)各(ge)種(zhong)Diffusion「AI大畫(hua)家(jia)」中(zhong)學(xue)習(xi)一番(fan)之(zhi)後(hou)，這(zhe)款(kuan)全能型Diffusion要(yao)完(wan)成(cheng)AIGC界的(de)「大一统」！ Diffusion模型的最(zui)新進(jin)展(zhan)在許(xu)多(duo)生(sheng)成任(ren)務(wu)中樹(shu)立了一個(ge)令(ling)人(ren)印(yin)象(xiang)深(shen)刻(ke)的裏(li)程(cheng)碑(bei)。諸(zhu)如(ru)DALL·E 2、Imagen和(he)Stable Diffusion（SD）等(deng)引(yin)人矚(zhu)目(mu)的工(gong)作(zuo)，引起(qi)了学術(shu)界和工業(ye)界的極(ji)大興(xing)趣(qu)。 不(bu)過(guo)，雖(sui)然(ran)这些(xie)模型表(biao)現(xian)驚(jing)艷(yan)，但(dan)基(ji)本(ben)都(dou)是(shi)專(zhuan)一於(yu)某(mou)一類(lei)任务，比(bi)如由(you)給(gei)定(ding)文(wen)本生成圖(tu)像(xiang)，而(er)對(dui)于不同(tong)类型的任务，則(ze)往(wang)往需(xu)要专門(men)單(dan)獨(du)訓(xun)練(lian)，或(huo)重(zhong)新構(gou)建(jian)新模型。 那(na)麽(me)能不能在前(qian)人基礎(chu)上(shang)搞(gao)一个「全能型」的Diffusion，實(shi)现AIGC模型的大一统呢(ne)？有(you)人就(jiu)在努(nu)力(li)沿(yan)著(zhe)这个方(fang)向(xiang)进行(xing)探(tan)索(suo)，並(bing)已(yi)經(jing)取(qu)得(de)了进展。 这个来自(zi)伊(yi)利(li)諾(nuo)伊大学厄(e)巴(ba)納(na)-香(xiang)檳(bin)分(fen)校(xiao)、得克(ke)薩(sa)斯(si)大学奧(ao)斯汀(ting)分校的聯(lian)合(he)团队，試(shi)图將(jiang)现有的单流(liu)Diffusion擴(kuo)展為(wei)多流網(wang)絡(luo)，稱(cheng)为Versatile Diffusion（VD），这是第(di)一个统一的多流多模態(tai)Diffusion框(kuang)架(jia)，是邁(mai)向通(tong)用(yong)生成性(xing)人工智能的一步(bu)。 論(lun)文地(di)址(zhi)：https://arxiv.org/abs/2211.08332 Versatile Diffusion除(chu)了普(pu)通的文字(zi)生成图像功(gong)能之外(wai)，還(hai)可(ke)以(yi)輸(shu)入(ru)图像生成类似(si)图像，输入图像生成文字，输入文字生成相(xiang)似文字，图片(pian)語(yu)義(yi)解(jie)耦(ou)编辑，输入图像及(ji)文字生成視(shi)頻(pin)，根(gen)據(ju)隱(yin)空(kong)間(jian)编辑图像內(nei)容(rong)等等。 未(wei)来的版(ban)本还将支(zhi)持(chi)更(geng)多的模式(shi)，如语音(yin)、音樂(le)、视频和3D。 据论文介(jie)紹(shao)，现已證(zheng)明(ming)VD及其(qi)基础框架具(ju)有以下(xia)優(you)勢(shi)： a) 可以以具有競(jing)爭(zheng)力的高(gao)質(zhi)量(liang)處(chu)理(li)所(suo)有子(zi)任务。 b) 支持新的扩展和應(ying)用，如图形(xing)風(feng)格(ge)和语义的分離(li)、图像-文本雙(shuang)引导生成等。 c) 通过这些实驗(yan)和应用，为生成的输出提供(gong)了更豐(feng)富(fu)的语义洞(dong)察(cha)力。 在训练數(shu)据集(ji)方面(mian)，VD使(shi)用帶(dai)有自定义数据过濾(lv)器(qi)的Laion2B-en作为主(zhu)要数据集。 首(shou)次(ci)探索 VD的一个令人兴奮(fen)的發(fa)现是，它(ta)可以從(cong)语义中增(zeng)強(qiang)或減(jian)少(shao)图像风格，而無(wu)需进一步監(jian)督(du)。 这樣(yang)的现象激(ji)发作者(zhe)去(qu)探索一个全新的領(ling)域(yu)，其中，风格和语义之间的分离可以发生在具有任意(yi)风格和任意内容的图像上。 作者表示(shi)，他(ta)們(men)是第一个探索：a）在沒(mei)有领域規(gui)範(fan)的情(qing)況(kuang)下，对自然图像的语义和风格进行解读；b）扩散(san)模型潛(qian)在空间上的语义和风格分解的团队。 在下图中，作者首先(xian)生成输入图像的變(bian)體(ti)，然后以语义（左(zuo)邊(bian)）或风格（右(you)边）为重點(dian)对其进行操(cao)作。 由于VD同時(shi)支持图像到(dao)文本和文本到图像，因(yin)此(ci)作者团队第一次嘗(chang)试了通过以下步驟(zhou)从文本提示的角(jiao)度(du)编辑图像：a）将图像轉(zhuan)換(huan)成文本，b）编辑文本，c）将文本转换回(hui)图像。 在实验中作者从图像中刪(shan)除了描(miao)述(shu)的内容，然后用这种图像-文本-图像（I2T2I）范式添(tian)加(jia)新的内容。與(yu)繪(hui)画或其他需要物(wu)体位(wei)置(zhi)作为输入的图像编辑方法(fa)不同，VD的I2T2I不需要掩(yan)碼(ma)，因为它可以按(an)照(zhao)指(zhi)令自動(dong)定位和替(ti)换物体。 不过，I2T2I的输出图像与输入图像的像素(su)不一致(zhi)，这是由于图像到文本的语义提煉(lian)和文本到图像的内容创建造(zao)成的。 在下图的展示中，输入的图像首先被(bei)翻(fan)譯(yi)成prompt，然后用减法（紅(hong)框）和加法（綠(lv)框）对prompt进行编辑。最后，编辑后的prompt被翻译成图像。 此外，他们也(ye)是第一个探索基于给定的文字去生成相似文字的团队。 网络框架 具体来說(shuo)，文中提出的VD框架是一个多流网络，有各种类型的数据作为输入和背(bei)景(jing)。 VD多流多模态diffusion框架繼(ji)承(cheng)了LDM/SD的优点，具有可解釋(shi)的潜在空间、模态化(hua)結(jie)构和較(jiao)低(di)的計(ji)算(suan)成本。 VD可以联合训练多个流，每(mei)个流代(dai)表一个跨(kua)模式的任务。其核(he)心(xin)設(she)计是diffuser网络内的分組(zu)、共(gong)享(xiang)和交(jiao)换協(xie)議(yi)，使框架適(shi)应所有支持的任务和其他任务。 diffuser分为三(san)组：全局(ju)層(ceng)、数据层和语境(jing)层。全局层是时间嵌(qian)入层，数据层是剩(sheng)余(yu)塊(kuai)，而语境层是交叉(cha)關(guan)註(zhu)。 这种分组与层的功能相对应。當(dang)处理多个任务时，全局层在所有任务中共享。数据层和语境层包(bao)含(han)多个数据流。每个数据流都可以根据当前的数据和上下文类型进行共享或交换。 比如，当处理文本-图像請(qing)求(qiu)时，diffuser使用图像数据层与文本语境层。当处理图像变異(yi)任务时，则使用图像数据层与图像语境层。 单个VD流程包含一个VAE、一个diffuser和一个语境编码器，在一个数据类型（如图像）和一个语境类型（如文本）下处理一个任务（如文本转图像）。 Versatile Diffusion的多流结构如下图所示： 研(yan)究(jiu)人員(yuan)基于Versatile Diffusion，进一步提出了一个通用的多流多模态框架，其中包括(kuo)VAE、上下文编码器和包含三层（即(ji)全局、数据和语境层）的diffuser。 Diffuser： VD使用已被廣(guang)泛(fan)采(cai)用的交叉关注的UNet作为diffuser网络的主要架构，将层分为全局层、数据层和语境层。其中数据层和语境层有兩(liang)个数据流来支持图像和文本。 对于图像数据流，遵(zun)循(xun)LDM并使用殘(can)差(cha)块（ResBlock），其空间維(wei)度逐(zhu)漸(jian)减少，通道数逐渐增加。 对于文本数据流，利用新的全連(lian)接(jie)残差块（FCResBlock），将768维的文本潜伏(fu)向量扩展为320*4的隐藏(zang)特(te)征(zheng)，并遵循类似的通道增加范式，再(zai)利用GroupNorms、SiLU和跳(tiao)过连接，就像普通的ResBlock一样。 如上图所示，FCResBlock包含两组全连接层（FC）、分组歸(gui)一化（GN）和sigmoid線(xian)性单元（SiLU）。x是输入文本潜伏代码，t是输入时间嵌入，hi是中间特征。 对于语境组，图像和语境流都采用交叉注意力层，其中内容嵌入通过投(tou)影(ying)层、点積(ji)和sigmoids来操作数据特征。 变分自编码器（VAE）： VD采用此前的潜在扩散模型（Latent Diffusion Model，LDM）的自编码器-KL作为图像数据VAE，采用Optimus作为文本数据VAE。Optimus由BERT文本编码器和GPT2文本解码器组成，可以将句(ju)子双向转化为768维正(zheng)态分布(bu)的潜在向量。 同时，Optimus还以其可重构和可解释的文本潜空间顯(xian)示出令人滿(man)意的VAE特性。因此選(xuan)擇(ze)Optimus作为文本VAE，因为它非(fei)常(chang)符(fu)合多流多模态框架的前提條(tiao)件(jian)。 语境编码器（Context Encoder）： VD使用CLIP文本和图像编码器作为上下文编码器。与只(zhi)使用原(yuan)始(shi)文本嵌入作为语境输入的LDM和SD不同，VD使用归一化和投影嵌入，使文本和图像的CLIP对比損(sun)失(shi)最小(xiao)化。 实验表明，上下文类型之间更接近(jin)的嵌入空间有助(zhu)于模型快(kuai)速(su)收(shou)斂(lian)，表现更好。类似的结论也可以在DALL·E 2中实现，DALL·E 2用額(e)外的投影层来微(wei)調(tiao)文本到图像的模型，以最小化文本和图像嵌入之间的差异，用于图像变化。 性能表现 作者将早(zao)期(qi)的单任务模型作为基线模型，并将VD的结果(guo)与这些基线进行比较。其中，SDv1.4作为文本到图像的基线模型，SD-variation用于图像-变体，而BLIP用于图像-文本。 同时，作者还对不同的VD模型进行了定性比较，其中VDDC和VD-of?cial用于文本到图像，所有三个模型用于图像变体。 其中SD和VD的图像样本是用受(shou)控(kong)的隨(sui)機(ji)种子生成的，以便(bian)更好地檢(jian)查(zha)质量。 文本到图像的性能 虽然DALLE 2和Imagen在这些任务上也取得了SOTA，但由于没有公(gong)開(kai)的代码或训练細(xi)節(jie)，因此作者跳过了对它们的比较。 结果显示，多流程结构和多任务训练可以幫(bang)助VD捕(bu)獲(huo)上下文语义并更精(jing)確(que)地生成输出，并出色(se)地完成了所有的子任务。 图像-变体的性能 此外，由VD生成的图像標(biao)注还包含了一些创造性的詞(ci)语。相比起来，BLIP的生成就很(hen)短(duan)，缺(que)乏(fa)对细节的描述。 图像到文本的性能 效(xiao)果展示 文生图 图像变体 以语义为重点的图像变体 双引导 總(zong)结 作者介绍了Versatile Diffusion（VD），一个多流的多模态diffusion网络，在一个统一的模型中解決(jue)了文本、图像和变化。在VD的基础上，作者进一步介绍了一个通用的多流多模态框架，其中可以涉(she)及新的任务和领域。 通过实验，作者发现VD在所有支持的任务上都能產(chan)生高质量的输出，其中VD的文本到图像和图像到变体的结果能更好地捕捉(zhuo)上下文中的语义，VD的图像到文本的结果具有创造性和说明性。 鑒(jian)于VD的多流多模态屬(shu)性，作者引入了新穎(ying)的扩展和应用，可能會(hui)使从事(shi)这項(xiang)技(ji)术的下遊(you)用戶(hu)进一步受益(yi)。 团队介绍 伊利诺伊大学厄巴纳-香槟分校的IFP团队是由黄煦涛教(jiao)授(shou)在80年(nian)代创立的，起初(chu)是貝(bei)克曼(man)高級(ji)科(ke)学和技术研究所的图像形成和处理小组。 多年来，IFP一直(zhi)致力于图像以外的研究和创新，包括图像和视频编码、多模态人机交互(hu)、多媒(mei)体注释和搜(sou)索、计算机视覺(jiao)和模式識(shi)別(bie)、机器学习、大数据、深度学习和高性能计算。 目前IFP的研究方向是通过协同结合大数据、深度学习和高性能计算来解决多模态信(xin)息(xi)处理的問(wen)題(ti)。 此外，IFP在人工智能领域的頂(ding)级会议上获得了多篇(pian)最佳(jia)论文，并在许多國(guo)際(ji)竞賽(sai)中获勝(sheng)，包括首屆(jie)NIST TrecVID、首届ImageNet挑(tiao)戰(zhan)赛和首届人工智能城(cheng)市(shi)挑战赛。 有趣的是，自黄教授1960年代开始在麻(ma)省(sheng)理工学院(yuan)任教以来，IFP小组的「成员」甚(shen)至(zhi)包括朋(peng)友(you)、学生、学生的学生、学生的学生，甚至是学生的学生的学生。 參(can)考(kao)資(zi)料(liao)： https://arxiv.org/abs/2211.08332 https://github.com/SHI-Labs/Versatile-Diffusion 特别鳴(ming)謝(xie)「Simon的白(bai)日(ri)夢(meng)」： https://weibo.com/1948301550/Mh9jE9iV8返(fan)回搜狐(hu)，查看(kan)更多 責(ze)任编辑：