-
最近の投稿
- FEAST: A Flexible Mealtime-Assistance System Towards In-the-Wild Personalization
- Time-Optimized Safe Navigation in Unstructured Environments through Learning Based Depth Completion
- Advances in Compliance Detection: Novel Models Using Vision-Based Tactile Sensors
- Mass-Adaptive Admittance Control for Robotic Manipulators
- DreamGen: Unlocking Generalization in Robot Learning through Video World Models
-
最近のコメント
表示できるコメントはありません。 cs.AI (39879) cs.CL (30187) cs.CV (45175) cs.HC (3051) cs.LG (44808) cs.RO (23879) cs.SY (3632) eess.IV (5170) eess.SY (3624) stat.ML (5830)
投稿者「jarxiv」のアーカイブ
Aligning Text, Images, and 3D Structure Token-by-Token
要約 3Dで世界を理解できるマシンの作成は、3次元空間内でナビゲートおよび相互作 … 続きを読む
カテゴリー: cs.CV
Aligning Text, Images, and 3D Structure Token-by-Token はコメントを受け付けていません
Audio-Sync Video Generation with Multi-Stream Temporal Control
要約 オーディオは本質的に一時的であり、視覚的な世界と密接に同期されているため、 … 続きを読む
Dynamic View Synthesis as an Inverse Problem
要約 この作業では、トレーニングなしの設定での逆の問題として、単眼動画からの動的 … 続きを読む
ZeroVO: Visual Odometry with Minimal Assumptions
要約 多様なカメラや環境でゼロショット一般化を達成する新しい視覚臭気（VO）アル … 続きを読む
カテゴリー: cs.CV
ZeroVO: Visual Odometry with Minimal Assumptions はコメントを受け付けていません
Dreamland: Controllable World Creation with Simulator and Generative Models
要約 大規模なビデオ生成モデルは、ダイナミックな世界創造のための多様で現実的な視 … 続きを読む
カテゴリー: cs.CV
Dreamland: Controllable World Creation with Simulator and Generative Models はコメントを受け付けていません
Hidden in plain sight: VLMs overlook their visual representations
要約 言語は、視覚タスクのパフォーマンスを指定および評価するための自然なインター … 続きを読む
Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion
要約 自己回帰ビデオ拡散モデルの新しいトレーニングパラダイムである自己強制を紹介 … 続きを読む
GUI-Reflection: Empowering Multimodal GUI Models with Self-Reflection Behavior
要約 マルチモーダル大手言語モデル（MLLMS）は、グラフィカルユーザーインター … 続きを読む
Play to Generalize: Learning to Reason Through Game Play
要約 マルチモーダル大手言語モデル（MLLM）における一般化可能な推論機能の開発 … 続きを読む
Vision Transformers Don’t Need Trained Registers
要約 視覚変圧器における以前に特定された現象の根底にあるメカニズムを調査します。 … 続きを読む