月別アーカイブ: 2025年3月

Aesthetic Post-Training Diffusion Models from Generic Preferences with Step-by-step Preference Optimization

投稿日: 2025年3月26日 作成者: jarxiv

要約 視覚的に魅力的な画像を生成することは、最新のテキストからイメージまでの生成 … 続きを読む →

カテゴリー: cs.CV | Aesthetic Post-Training Diffusion Models from Generic Preferences with Step-by-step Preference Optimization はコメントを受け付けていません

Attention IoU: Examining Biases in CelebA using Attention Maps

投稿日: 2025年3月26日 作成者: jarxiv

要約 コンピュータービジョンモデルは、幅広いデータセットとタスクにわたってバイア … 続きを読む →

カテゴリー: cs.CV, cs.LG | Attention IoU: Examining Biases in CelebA using Attention Maps はコメントを受け付けていません

Towards Online Multi-Modal Social Interaction Understanding

投稿日: 2025年3月26日 作成者: jarxiv

要約 マルチモーダルソーシャルインタラクション理解（MMSI）は、人間とロボット … 続きを読む →

カテゴリー: cs.CV | Towards Online Multi-Modal Social Interaction Understanding はコメントを受け付けていません

FALCONEye: Finding Answers and Localizing Content in ONE-hour-long videos with multi-modal LLMs

投稿日: 2025年3月26日 作成者: jarxiv

要約 1時間のビデオでの情報検索は、特に目的の情報がフレームの小さなサブセット内 … 続きを読む →

カテゴリー: cs.CV | FALCONEye: Finding Answers and Localizing Content in ONE-hour-long videos with multi-modal LLMs はコメントを受け付けていません

SAMWISE: Infusing Wisdom in SAM2 for Text-Driven Video Segmentation

投稿日: 2025年3月26日 作成者: jarxiv

要約 参照ビデオオブジェクトセグメンテーション（RVO）は、自然言語表現に依存し … 続きを読む →

カテゴリー: cs.CV | SAMWISE: Infusing Wisdom in SAM2 for Text-Driven Video Segmentation はコメントを受け付けていません

Unpaired Translation of Chest X-ray Images for Lung Opacity Diagnosis via Adaptive Activation Masks and Cross-Domain Alignment

投稿日: 2025年3月26日 作成者: jarxiv

要約 胸部X線X線写真（CXR）は、心肺疾患の診断と監視において極めて重要な役割 … 続きを読む →

カテゴリー: cs.CV, eess.IV | Unpaired Translation of Chest X-ray Images for Lung Opacity Diagnosis via Adaptive Activation Masks and Cross-Domain Alignment はコメントを受け付けていません

GENIUS: A Generative Framework for Universal Multimodal Search

投稿日: 2025年3月26日 作成者: jarxiv

要約 生成検索は、クエリに基づいてターゲットデータの識別子（ID）を生成する情報 … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.IR, cs.LG | GENIUS: A Generative Framework for Universal Multimodal Search はコメントを受け付けていません

Mask$^2$DiT: Dual Mask-based Diffusion Transformer for Multi-Scene Long Video Generation

投稿日: 2025年3月26日 作成者: jarxiv

要約 SORAは、シングルシーンビデオ生成において、拡散トランス（DIT）アーキ … 続きを読む →

カテゴリー: cs.CV | Mask$^2$DiT: Dual Mask-based Diffusion Transformer for Multi-Scene Long Video Generation はコメントを受け付けていません

Visuo-Tactile Object Pose Estimation for a Multi-Finger Robot Hand with Low-Resolution In-Hand Tactile Sensing

投稿日: 2025年3月26日 作成者: jarxiv

要約 把握されたオブジェクトの正確な3Dポーズ推定は、ロボットがアセンブリまたは … 続きを読む →

カテゴリー: cs.CV, cs.RO | Visuo-Tactile Object Pose Estimation for a Multi-Finger Robot Hand with Low-Resolution In-Hand Tactile Sensing はコメントを受け付けていません

MambaVision: A Hybrid Mamba-Transformer Vision Backbone

投稿日: 2025年3月26日 作成者: jarxiv

要約 視覚アプリケーションに合わせて特別に調整された、新しいハイブリッドマンバト … 続きを読む →

カテゴリー: cs.CV | MambaVision: A Hybrid Mamba-Transformer Vision Backbone はコメントを受け付けていません