投稿者「jarxiv」のアーカイブ

Hybrid 3D-4D Gaussian Splatting for Fast Dynamic Scene Representation

投稿日: 2025年5月20日 作成者: jarxiv

要約 動的な3Dシーンの再構築における最近の進歩により、有望な結果が示されており … 続きを読む →

カテゴリー: cs.CV | Hybrid 3D-4D Gaussian Splatting for Fast Dynamic Scene Representation はコメントを受け付けていません

Swin DiT: Diffusion Transformer using Pseudo Shifted Windows

投稿日: 2025年5月20日 作成者: jarxiv

要約 拡散変圧器（DITS）は、変圧器アーキテクチャの組み込みを通じて、画像生成 … 続きを読む →

カテゴリー: cs.CV | Swin DiT: Diffusion Transformer using Pseudo Shifted Windows はコメントを受け付けていません

Automatic Complementary Separation Pruning Toward Lightweight CNNs

投稿日: 2025年5月20日 作成者: jarxiv

要約 この論文では、畳み込みニューラルネットワークのための新規で完全に自動化され … 続きを読む →

カテゴリー: cs.CV | Automatic Complementary Separation Pruning Toward Lightweight CNNs はコメントを受け付けていません

Scaling Computer-Use Grounding via User Interface Decomposition and Synthesis

投稿日: 2025年5月20日 作成者: jarxiv

要約 グラフィカルユーザーインターフェイス（GUI）の接地、グラフィカルユーザー … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV, cs.HC | Scaling Computer-Use Grounding via User Interface Decomposition and Synthesis はコメントを受け付けていません

StarFT: Robust Fine-tuning of Zero-shot Models via Spuriosity Alignment

投稿日: 2025年5月20日 作成者: jarxiv

要約 データからの堅牢な表現を学習するには、多くの場合、スケールが必要であり、ク … 続きを読む →

カテゴリー: cs.AI, cs.CV | StarFT: Robust Fine-tuning of Zero-shot Models via Spuriosity Alignment はコメントを受け付けていません

From Local Details to Global Context: Advancing Vision-Language Models with Attention-Based Selection

投稿日: 2025年5月20日 作成者: jarxiv

要約 例えば、クリップ、例えば、下流のタスクで印象的なゼロショット機能を示します … 続きを読む →

カテゴリー: cs.CV | From Local Details to Global Context: Advancing Vision-Language Models with Attention-Based Selection はコメントを受け付けていません

WriteViT: Handwritten Text Generation with Vision Transformer

投稿日: 2025年5月20日 作成者: jarxiv

要約 人間は、コンテンツをスタイルから直感的に分離することにより、単一の例から手 … 続きを読む →

カテゴリー: cs.CV, cs.LG | WriteViT: Handwritten Text Generation with Vision Transformer はコメントを受け付けていません

Captured by Captions: On Memorization and its Mitigation in CLIP Models

投稿日: 2025年5月20日 作成者: jarxiv

要約 クリップなどのマルチモーダルモデルは、画像検索やゼロショット分類などのタス … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG | Captured by Captions: On Memorization and its Mitigation in CLIP Models はコメントを受け付けていません

JetFormer: An Autoregressive Generative Model of Raw Images and Text

投稿日: 2025年5月20日 作成者: jarxiv

要約 モデリングの制約を削除し、ドメイン全体でアーキテクチャを統合することは、大 … 続きを読む →

カテゴリー: cs.AI, cs.CV, cs.LG | JetFormer: An Autoregressive Generative Model of Raw Images and Text はコメントを受け付けていません

FIOVA: A Multi-Annotator Benchmark for Human-Aligned Video Captioning

投稿日: 2025年5月20日 作成者: jarxiv

要約 大きなビジョン言語モデル（LVLMS）の急速な進歩にもかかわらず、既存のビ … 続きを読む →

カテゴリー: cs.CV | FIOVA: A Multi-Annotator Benchmark for Human-Aligned Video Captioning はコメントを受け付けていません