月別アーカイブ: 2025年1月

UI-TARS: Pioneering Automated GUI Interaction with Native Agents

投稿日: 2025年1月22日 作成者: jarxiv

要約 このペーパーでは、スクリーンショットを入力としてのみ認識し、人間のような対 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.HC | UI-TARS: Pioneering Automated GUI Interaction with Native Agents はコメントを受け付けていません

VARGPT: Unified Understanding and Generation in a Visual Autoregressive Multimodal Large Language Model

投稿日: 2025年1月22日 作成者: jarxiv

要約 単一の自己回帰フレームワーク内で視覚的な理解と生成を統合する、新しいマルチ … 続きを読む →

カテゴリー: cs.CV | VARGPT: Unified Understanding and Generation in a Visual Autoregressive Multimodal Large Language Model はコメントを受け付けていません

Cinepro: Robust Training of Foundation Models for Cancer Detection in Prostate Ultrasound Cineloops

投稿日: 2025年1月22日 作成者: jarxiv

要約 深層学習 (DL) モデルを使用した前立腺がん (PCa) 検出は、生検中 … 続きを読む →

カテゴリー: cs.CV, cs.LG, eess.IV, q-bio.TO | Cinepro: Robust Training of Foundation Models for Cancer Detection in Prostate Ultrasound Cineloops はコメントを受け付けていません

Vision-Language Models for Automated Chest X-ray Interpretation: Leveraging ViT and GPT-2

投稿日: 2025年1月22日 作成者: jarxiv

要約 放射線医学は、その非侵襲的な診断能力により、現代医学において極めて重要な役 … 続きを読む →

カテゴリー: cs.CV | Vision-Language Models for Automated Chest X-ray Interpretation: Leveraging ViT and GPT-2 はコメントを受け付けていません

InternLM-XComposer2.5-Reward: A Simple Yet Effective Multi-Modal Reward Model

投稿日: 2025年1月22日 作成者: jarxiv

要約 Large Vision Language Model (LVLM) は視 … 続きを読む →

カテゴリー: cs.CL, cs.CV | InternLM-XComposer2.5-Reward: A Simple Yet Effective Multi-Modal Reward Model はコメントを受け付けていません

DARB-Splatting: Generalizing Splatting with Decaying Anisotropic Radial Basis Functions

投稿日: 2025年1月22日 作成者: jarxiv

要約 スプラッティング ベースの 3D 再構成手法は、3D ガウス スプラッティ … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.GR | DARB-Splatting: Generalizing Splatting with Decaying Anisotropic Radial Basis Functions はコメントを受け付けていません

Video Depth Anything: Consistent Depth Estimation for Super-Long Videos

投稿日: 2025年1月22日 作成者: jarxiv

要約 Depth Anything は、強力な一般化能力により、単眼の深度推定に … 続きを読む →

カテゴリー: cs.AI, cs.CV | Video Depth Anything: Consistent Depth Estimation for Super-Long Videos はコメントを受け付けていません

MMVU: Measuring Expert-Level Multi-Discipline Video Understanding

投稿日: 2025年1月22日 作成者: jarxiv

要約 ビデオ理解における基礎モデルを評価するための、専門家レベルの包括的な複数分 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV | MMVU: Measuring Expert-Level Multi-Discipline Video Understanding はコメントを受け付けていません

Parallel Sequence Modeling via Generalized Spatial Propagation Network

投稿日: 2025年1月22日 作成者: jarxiv

要約 本質的に 2D 空間構造を捕捉する視覚タスク用に最適化された新しい注意メカ … 続きを読む →

カテゴリー: cs.CV, cs.LG | Parallel Sequence Modeling via Generalized Spatial Propagation Network はコメントを受け付けていません

DiffDoctor: Diagnosing Image Diffusion Models Before Treating

投稿日: 2025年1月22日 作成者: jarxiv

要約 最近の進歩にもかかわらず、画像拡散モデルは依然としてアーチファクトを生成し … 続きを読む →

カテゴリー: cs.CV | DiffDoctor: Diagnosing Image Diffusion Models Before Treating はコメントを受け付けていません