月別アーカイブ: 2024年3月

Less is More: Data Value Estimation for Visual Instruction Tuning

投稿日: 2024年3月15日 作成者: jarxiv

要約 視覚的な命令のチューニングは、マルチモーダル大規模言語モデル (MLLM) … 続きを読む →

カテゴリー: cs.CL, cs.CV | Less is More: Data Value Estimation for Visual Instruction Tuning はコメントを受け付けていません

Eyes Closed, Safety On: Protecting Multimodal LLMs via Image-to-Text Transformation

投稿日: 2024年3月15日 作成者: jarxiv

要約 マルチモーダル大規模言語モデル (MLLM) は優れた推論能力を示していま … 続きを読む →

カテゴリー: cs.CV | Eyes Closed, Safety On: Protecting Multimodal LLMs via Image-to-Text Transformation はコメントを受け付けていません

DriveGPT4: Interpretable End-to-end Autonomous Driving via Large Language Model

投稿日: 2024年3月15日 作成者: jarxiv

要約 マルチモーダル大規模言語モデル (MLLM) は、画像やビデオなどの非テキ … 続きを読む →

カテゴリー: cs.CV, cs.RO | DriveGPT4: Interpretable End-to-end Autonomous Driving via Large Language Model はコメントを受け付けていません

The NeRFect Match: Exploring NeRF Features for Visual Localization

投稿日: 2024年3月15日 作成者: jarxiv

要約 この研究では、視覚的位置特定のためのシーン表現として Neural Rad … 続きを読む →

カテゴリー: cs.CV | The NeRFect Match: Exploring NeRF Features for Visual Localization はコメントを受け付けていません

Renovating Names in Open-Vocabulary Segmentation Benchmarks

投稿日: 2024年3月15日 作成者: jarxiv

要約 名前は人間の認知モデルと視覚言語モデルの両方にとって不可欠です。 オープン … 続きを読む →

カテゴリー: cs.CV | Renovating Names in Open-Vocabulary Segmentation Benchmarks はコメントを受け付けていません

Counterfactual contrastive learning: robust representations via causal image synthesis

投稿日: 2024年3月15日 作成者: jarxiv

要約 対照的な事前トレーニングは、特に限られたラベル設定において、下流のタスクの … 続きを読む →

カテゴリー: cs.AI, cs.CV | Counterfactual contrastive learning: robust representations via causal image synthesis はコメントを受け付けていません

MM1: Methods, Analysis & Insights from Multimodal LLM Pre-training

投稿日: 2024年3月15日 作成者: jarxiv

要約 この作業では、パフォーマンスの高いマルチモーダル大規模言語モデル (MLL … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG | MM1: Methods, Analysis & Insights from Multimodal LLM Pre-training はコメントを受け付けていません

Explore In-Context Segmentation via Latent Diffusion Models

投稿日: 2024年3月15日 作成者: jarxiv

要約 インコンテキストセグメンテーションは、ビジョン基盤モデルの導入によりさらに … 続きを読む →

カテゴリー: cs.CV | Explore In-Context Segmentation via Latent Diffusion Models はコメントを受け付けていません

PosSAM: Panoptic Open-vocabulary Segment Anything

投稿日: 2024年3月15日 作成者: jarxiv

要約 このペーパーでは、セグメント エニシング モデル (SAM) の長所と視覚 … 続きを読む →

カテゴリー: cs.CV | PosSAM: Panoptic Open-vocabulary Segment Anything はコメントを受け付けていません

Glyph-ByT5: A Customized Text Encoder for Accurate Visual Text Rendering

投稿日: 2024年3月15日 作成者: jarxiv

要約 視覚的なテキストのレンダリングは、現代のテキストから画像への生成モデルにと … 続きを読む →

カテゴリー: cs.CV | Glyph-ByT5: A Customized Text Encoder for Accurate Visual Text Rendering はコメントを受け付けていません