「cs.CV」カテゴリーアーカイブ

WorldSense: Evaluating Real-world Omnimodal Understanding for Multimodal LLMs

投稿日: 2025年5月27日 作成者: jarxiv

要約 マルチモーダルビデオの理解を評価する最初のベンチマークであるWorldSe … 続きを読む →

カテゴリー: cs.AI, cs.CV | WorldSense: Evaluating Real-world Omnimodal Understanding for Multimodal LLMs はコメントを受け付けていません

Decomposing Complex Visual Comprehension into Atomic Visual Skills for Vision Language Models

投稿日: 2025年5月27日 作成者: jarxiv

要約 最近のビジョン言語モデル（VLM）は、印象的なマルチモーダルの理解と推論能 … 続きを読む →

カテゴリー: cs.AI, cs.CV | Decomposing Complex Visual Comprehension into Atomic Visual Skills for Vision Language Models はコメントを受け付けていません

Human-Aligned Image Models Improve Visual Decoding from the Brain

投稿日: 2025年5月27日 作成者: jarxiv

要約 脳活動からの視覚画像を解読することは、脳コンピューターの相互作用を進め、人 … 続きを読む →

カテゴリー: cs.CV, cs.LG | Human-Aligned Image Models Improve Visual Decoding from the Brain はコメントを受け付けていません

A Survey of LLM-based Agents in Medicine: How far are we from Baymax?

投稿日: 2025年5月27日 作成者: jarxiv

要約 大規模な言語モデル（LLM）は、医療タスクを理解し、推論し、支援できるLL … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CV | A Survey of LLM-based Agents in Medicine: How far are we from Baymax? はコメントを受け付けていません

ReasonPlan: Unified Scene Prediction and Decision Reasoning for Closed-loop Autonomous Driving

投稿日: 2025年5月27日 作成者: jarxiv

要約 強力なビジョン言語の推論と一般化能力により、マルチモーダルの大手言語モデル … 続きを読む →

カテゴリー: 68T40(Primary), 68T45, 68T50(Secondary), cs.AI, cs.CV, cs.RO, I.2.10 | ReasonPlan: Unified Scene Prediction and Decision Reasoning for Closed-loop Autonomous Driving はコメントを受け付けていません

A Survey on the Safety and Security Threats of Computer-Using Agents: JARVIS or Ultron?

投稿日: 2025年5月27日 作成者: jarxiv

要約 最近、コンピューティングデバイスとのAI駆動型の相互作用は、基本的なプロト … 続きを読む →

カテゴリー: cs.AI, cs.CL, cs.CR, cs.CV, cs.SE | A Survey on the Safety and Security Threats of Computer-Using Agents: JARVIS or Ultron? はコメントを受け付けていません

ViTaPEs: Visuotactile Position Encodings for Cross-Modal Alignment in Multimodal Transformers

投稿日: 2025年5月27日 作成者: jarxiv

要約 触覚センシングは、テクスチャ、コンプライアンス、力などの視覚的知覚を補完す … 続きを読む →

カテゴリー: cs.CV, cs.LG, cs.RO | ViTaPEs: Visuotactile Position Encodings for Cross-Modal Alignment in Multimodal Transformers はコメントを受け付けていません

EmoNet-Face: An Expert-Annotated Benchmark for Synthetic Emotion Recognition

投稿日: 2025年5月27日 作成者: jarxiv

要約 効果的な人間との相互作用は、人間の感情を正確に認識して解釈するAIの能力に … 続きを読む →

カテゴリー: cs.AI, cs.CV | EmoNet-Face: An Expert-Annotated Benchmark for Synthetic Emotion Recognition はコメントを受け付けていません

Attentive Eraser: Unleashing Diffusion Model’s Object Removal Potential via Self-Attention Redirection Guidance

投稿日: 2025年5月27日 作成者: jarxiv

要約 最近、拡散モデルは、生成モデルの分野で有望な新人として浮上し、画像生成で明 … 続きを読む →

カテゴリー: cs.CV | Attentive Eraser: Unleashing Diffusion Model’s Object Removal Potential via Self-Attention Redirection Guidance はコメントを受け付けていません

Towards Video to Piano Music Generation with Chain-of-Perform Support Benchmarks

投稿日: 2025年5月27日 作成者: jarxiv

要約 ビデオから高品質のピアノオーディオを生成するには、視覚的な手がかりと音楽出 … 続きを読む →

カテゴリー: cs.CV, cs.SD, eess.AS | Towards Video to Piano Music Generation with Chain-of-Perform Support Benchmarks はコメントを受け付けていません