投稿者「jarxiv」のアーカイブ

GUI-Actor: Coordinate-Free Visual Grounding for GUI Agents

投稿日: 2025年6月4日 作成者: jarxiv

要約 VLMを搭載したGUIエージェントを構築する際の主な課題の1つは、視覚的グ … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV | GUI-Actor: Coordinate-Free Visual Grounding for GUI Agents はコメントを受け付けていません

MERIT: Multilingual Semantic Retrieval with Interleaved Multi-Condition Query

投稿日: 2025年6月4日 作成者: jarxiv

要約 意味検索は現代のアプリケーションにとって極めて重要であるが、現在の研究では … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.MM | MERIT: Multilingual Semantic Retrieval with Interleaved Multi-Condition Query はコメントを受け付けていません

UniWorld: High-Resolution Semantic Encoders for Unified Visual Understanding and Generation

投稿日: 2025年6月4日 作成者: jarxiv

要約 既存の統一的なモデルは、視覚言語理解やテキストから画像への生成では強力な性 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV | UniWorld: High-Resolution Semantic Encoders for Unified Visual Understanding and Generation はコメントを受け付けていません

Self-Supervised Spatial Correspondence Across Modalities

投稿日: 2025年6月4日 作成者: jarxiv

要約 我々は、クロスモーダルな時空間対応関係を見つける方法を提案する。RGB画像 … 続きを読む →

カテゴリー: cs.CV | Self-Supervised Spatial Correspondence Across Modalities はコメントを受け付けていません

IllumiCraft: Unified Geometry and Illumination Diffusion for Controllable Video Generation

投稿日: 2025年6月4日 作成者: jarxiv

要約 拡散ベースのモデルは、テキストまたは画像入力から高品質で高解像度のビデオシ … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG, cs.MM | IllumiCraft: Unified Geometry and Illumination Diffusion for Controllable Video Generation はコメントを受け付けていません

TACLR: A Scalable and Efficient Retrieval-based Method for Industrial Product Attribute Value Identification

投稿日: 2025年6月4日 作成者: jarxiv

要約 商品属性値同定（PAVI）は、商品プロファイルから属性値を同定するもので、 … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.IR | TACLR: A Scalable and Efficient Retrieval-based Method for Industrial Product Attribute Value Identification はコメントを受け付けていません

Dynamic Consistent $k$-Center Clustering with Optimal Recourse

投稿日: 2025年6月4日 作成者: jarxiv

要約 任意の計量空間の点と、敵から送られてくる点の更新のシーケンスが与えられたと … 続きを読む →

カテゴリー: cs.DS, cs.LG | Dynamic Consistent $k$-Center Clustering with Optimal Recourse はコメントを受け付けていません

Prisma: An Open Source Toolkit for Mechanistic Interpretability in Vision and Video

投稿日: 2025年6月4日 作成者: jarxiv

要約 ロバストなツールと一般に利用可能な事前訓練されたモデルは、言語モデルのメカ … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG | Prisma: An Open Source Toolkit for Mechanistic Interpretability in Vision and Video はコメントを受け付けていません

DiffVLA: Vision-Language Guided Diffusion Planning for Autonomous Driving

投稿日: 2025年6月4日 作成者: jarxiv

要約 エンド・ツー・エンドの自律走行に関する研究は、知覚、予測、計画といったモジ … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.RO | DiffVLA: Vision-Language Guided Diffusion Planning for Autonomous Driving はコメントを受け付けていません

3D Equivariant Visuomotor Policy Learning via Spherical Projection

投稿日: 2025年6月3日 作成者: jarxiv

要約 等量モデルは最近、拡散ポリシーのデータ効率を大きく改善することが示されてい … 続きを読む →

カテゴリー: cs.RO | 3D Equivariant Visuomotor Policy Learning via Spherical Projection はコメントを受け付けていません