投稿者「jarxiv」のアーカイブ

TalkingHeadBench: A Multi-Modal Benchmark & Analysis of Talking-Head DeepFake Detection

投稿日: 2025年6月2日 作成者: jarxiv

要約 高度な生成モデルによって促進されたトーキングヘッドディープファークジェネレ … 続きを読む →

カテゴリー: cs.CV | TalkingHeadBench: A Multi-Modal Benchmark & Analysis of Talking-Head DeepFake Detection はコメントを受け付けていません

Time Blindness: Why Video-Language Models Can’t See What Humans Can?

投稿日: 2025年6月2日 作成者: jarxiv

要約 ビジョン言語モデル（VLM）の最近の進歩は、ビデオで時空間的関係を理解する … 続きを読む →

カテゴリー: cs.AI, cs.CV | Time Blindness: Why Video-Language Models Can’t See What Humans Can? はコメントを受け付けていません

SiLVR: A Simple Language-based Video Reasoning Framework

投稿日: 2025年6月2日 作成者: jarxiv

要約 テスト時間最適化の最近の進歩により、大規模な言語モデル（LLM）の顕著な推 … 続きを読む →

カテゴリー: cs.CV | SiLVR: A Simple Language-based Video Reasoning Framework はコメントを受け付けていません

GenSpace: Benchmarking Spatially-Aware Image Generation

投稿日: 2025年6月2日 作成者: jarxiv

要約 人間は、写真のために3Dスペースでシーンを直感的に構成して配置できます。 … 続きを読む →

カテゴリー: cs.CV | GenSpace: Benchmarking Spatially-Aware Image Generation はコメントを受け付けていません

MoDoMoDo: Multi-Domain Data Mixtures for Multimodal LLM Reinforcement Learning

投稿日: 2025年6月2日 作成者: jarxiv

要約 検証可能な報酬（RLVR）による強化学習は、最近、トレーニング後の大手言語 … 続きを読む →

カテゴリー: cs.CL, cs.CV, cs.LG | MoDoMoDo: Multi-Domain Data Mixtures for Multimodal LLM Reinforcement Learning はコメントを受け付けていません

ProxyThinker: Test-Time Guidance through Small Visual Reasoners

投稿日: 2025年6月2日 作成者: jarxiv

要約 検証可能な報酬による強化学習の最近の進歩により、大規模なビジョン言語モデル … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV | ProxyThinker: Test-Time Guidance through Small Visual Reasoners はコメントを受け付けていません

MiniMax-Remover: Taming Bad Noise Helps Video Object Removal

投稿日: 2025年6月2日 作成者: jarxiv

要約 ビデオ拡散モデルの最近の進歩により、ビデオ編集技術の急速な進歩が促進されて … 続きを読む →

カテゴリー: cs.CV | MiniMax-Remover: Taming Bad Noise Helps Video Object Removal はコメントを受け付けていません

ReasonGen-R1: CoT for Autoregressive Image generation models through SFT and RL

投稿日: 2025年6月2日 作成者: jarxiv

要約 考え方の推論と強化学習（RL）がNLPのブレークスルーを駆動していますが、 … 続きを読む →

カテゴリー: cs.CL, cs.CV | ReasonGen-R1: CoT for Autoregressive Image generation models through SFT and RL はコメントを受け付けていません

Agent-X: Evaluating Deep Multimodal Reasoning in Vision-Centric Agentic Tasks

投稿日: 2025年6月2日 作成者: jarxiv

要約 深い推論は、特に順次のマルチモーダル理解を必要とする視覚中心のシナリオで、 … 続きを読む →

カテゴリー: cs.CL, cs.CV | Agent-X: Evaluating Deep Multimodal Reasoning in Vision-Centric Agentic Tasks はコメントを受け付けていません

AdaHuman: Animatable Detailed 3D Human Generation with Compositional Multiview Diffusion

投稿日: 2025年6月2日 作成者: jarxiv

要約 画像間のアバター世代の既存の方法は、実際のアプリケーションに適した非常に詳 … 続きを読む →

カテゴリー: cs.CV | AdaHuman: Animatable Detailed 3D Human Generation with Compositional Multiview Diffusion はコメントを受け付けていません