月別アーカイブ: 2025年3月

Building Blocks for Robust and Effective Semi-Supervised Real-World Object Detection

投稿日: 2025年3月25日 作成者: jarxiv

要約 擬似標識に基づく半監視オブジェクト検出（SSOD）は、ラベル付きデータと非 … 続きを読む →

カテゴリー: cs.CV, cs.LG | Building Blocks for Robust and Effective Semi-Supervised Real-World Object Detection はコメントを受け付けていません

Zero-Shot Styled Text Image Generation, but Make It Autoregressive

投稿日: 2025年3月25日 作成者: jarxiv

要約 スタイルの手書きのテキスト生成（HTG）は最近、コンピュータービジョンおよ … 続きを読む →

カテゴリー: cs.CV | Zero-Shot Styled Text Image Generation, but Make It Autoregressive はコメントを受け付けていません

Video SimpleQA: Towards Factuality Evaluation in Large Video Language Models

投稿日: 2025年3月25日 作成者: jarxiv

要約 大規模なビデオ言語モデル（LVLMS）の最近の進歩は、マルチモーダルの理解 … 続きを読む →

カテゴリー: cs.CV | Video SimpleQA: Towards Factuality Evaluation in Large Video Language Models はコメントを受け付けていません

GroundCap: A Visually Grounded Image Captioning Dataset

投稿日: 2025年3月25日 作成者: jarxiv

要約 現在の画像キャプションシステムには、説明テキストを特定の視覚要素にリンクす … 続きを読む →

カテゴリー: cs.CL, cs.CV, I.2.10 | GroundCap: A Visually Grounded Image Captioning Dataset はコメントを受け付けていません

CoMP: Continual Multimodal Pre-training for Vision Foundation Models

投稿日: 2025年3月25日 作成者: jarxiv

要約 事前に訓練されたVision Foundationモデル（VFM）は、幅広 … 続きを読む →

カテゴリー: cs.CV | CoMP: Continual Multimodal Pre-training for Vision Foundation Models はコメントを受け付けていません

SyncVP: Joint Diffusion for Synchronous Multi-Modal Video Prediction

投稿日: 2025年3月25日 作成者: jarxiv

要約 将来のビデオフレームを予測することは意思決定システムに不可欠ですが、RGB … 続きを読む →

カテゴリー: cs.CV | SyncVP: Joint Diffusion for Synchronous Multi-Modal Video Prediction はコメントを受け付けていません

AdaWorld: Learning Adaptable World Models with Latent Actions

投稿日: 2025年3月25日 作成者: jarxiv

要約 世界モデルは、アクション制御された予測モデルを学ぶことを目指しており、イン … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.RO | AdaWorld: Learning Adaptable World Models with Latent Actions はコメントを受け付けていません

Training-free Diffusion Acceleration with Bottleneck Sampling

投稿日: 2025年3月25日 作成者: jarxiv

要約 拡散モデルは、視覚コンテンツの生成において顕著な機能を実証していますが、推 … 続きを読む →

カテゴリー: cs.CV | Training-free Diffusion Acceleration with Bottleneck Sampling はコメントを受け付けていません

Video-T1: Test-Time Scaling for Video Generation

投稿日: 2025年3月25日 作成者: jarxiv

要約 トレーニングデータ、モデルサイズ、および計算コストの増加のスケール機能によ … 続きを読む →

カテゴリー: cs.AI, cs.CV | Video-T1: Test-Time Scaling for Video Generation はコメントを受け付けていません

SlowFast-LLaVA-1.5: A Family of Token-Efficient Video Large Language Models for Long-Form Video Understanding

投稿日: 2025年3月25日 作成者: jarxiv

要約 Slowaffast-llava-1.5（SF-llava-1.5として省 … 続きを読む →

カテゴリー: cs.CV | SlowFast-LLaVA-1.5: A Family of Token-Efficient Video Large Language Models for Long-Form Video Understanding はコメントを受け付けていません